論文の概要: How to choose the most appropriate centrality measure?
- arxiv url: http://arxiv.org/abs/2003.01052v3
- Date: Sat, 21 Mar 2020 17:41:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 06:05:48.010571
- Title: How to choose the most appropriate centrality measure?
- Title（参考訳）: 最も適切な集中度尺度をどうやって選ぶか?
- Authors: Pavel Chebotarev and Dmitry Gubanov
- Abstract要約: そこで本稿では,ユーザからの意見に基づいて,そのような尺度が単純なグラフの集合上でどのように機能するかに基づいて,最も適切なネットワーク集中度尺度を選択する手法を提案する。
本手法は,(1)設定した$cal F$の候補測度を作成すること,(2)任意のノードに対して$cal F$のすべての測度を区別する十分な単純なグラフを生成すること,(3)テストノードの集中度を比較するための質問をまとめた調査をコンパイルすること,(4)この調査を完了し,すべてのユーザ応答に整合した集中度尺度を提供すること,からなる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new method to select the most appropriate network centrality
measure based on the user's opinion on how such a measure should work on a set
of simple graphs. The method consists in: (1) forming a set $\cal F$ of
candidate measures; (2) generating a sequence of sufficiently simple graphs
that distinguish all measures in $\cal F$ on some pairs of nodes; (3) compiling
a survey with questions on comparing the centrality of test nodes; (4)
completing this survey, which provides a centrality measure consistent with all
user responses. The developed algorithms make it possible to implement this
approach for any finite set $\cal F$ of measures. This paper presents its
realization for a set of 40 centrality measures. The proposed method called
culling can be used for rapid analysis or combined with a normative approach by
compiling a survey on the subset of measures that satisfy certain normative
conditions (axioms). In the present study, the latter was done for the subsets
determined by the Self-consistency or Bridge axioms.
- Abstract（参考訳）: 本稿では,その尺度が単純なグラフの集合に対してどのように動作するかというユーザの意見に基づいて,最も適切なネットワーク集中度尺度を選択する新しい手法を提案する。
この方法は、1つの候補測度のセットである$\cal f$を形成すること、2いくつかのノードで$\cal f$ですべての測度を区別する十分単純なグラフの列を生成すること、3テストノードの中央性の比較に関する質問を伴うサーベイをコンパイルすること、(4)すべてのユーザー応答に一貫性のある集中度指標を提供する。
開発されたアルゴリズムは、任意の有限集合$\cal f$ の測度に対してこのアプローチを実装することができる。
本稿では,40の集中度尺度のセットの実現について述べる。
カルリングと呼ばれる手法は、ある規範的条件(公理)を満たす尺度のサブセットに関するサーベイをコンパイルすることで、迅速な分析や規範的アプローチと組み合わせることができる。
本研究は,自己整合性あるいはブリッジ公理によって決定される部分集合について行った。
関連論文リスト
- A multi-criteria approach for selecting an explanation from the set of counterfactuals produced by an ensemble of explainers [4.239829789304117]
そこで本研究では,マルチ基準解析に基づいて単一対実数を選択するマルチステージアンサンブル手法を提案する。
提案手法は、検討された品質指標の魅力的な妥協値を持つ、完全に実行可能な対策を生成できる。
論文 参考訳（メタデータ） (2024-03-20T19:25:11Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - Simple Steps to Success: A Method for Step-Based Counterfactual Explanations [9.269923473051138]
本稿では,データ駆動型モデル依存型フレームワークを提案する。
計算効率のよいStEPはデータ多様体に沿って漸進的なステップを提供し、ユーザを望ましい結果へと誘導する。
論文 参考訳（メタデータ） (2023-06-27T15:35:22Z) - Cutting Plane Selection with Analytic Centers and Multiregression [2.8757106397019228]
緩和可能な集合の関連部分を分離する程度を定量化することにより、カットの値を評価するための新しい距離ベースの尺度を提案する。
距離測定の選択が根ノード性能および枝・枝木全体に与える影響を評価する。
解析中心に基づく手法は,探索空間の探索に必要な分岐ノードの数を大幅に削減できることを示す。
論文 参考訳（メタデータ） (2022-12-14T14:06:27Z) - Composed Image Retrieval with Text Feedback via Multi-grained
Uncertainty Regularization [73.04187954213471]
粗い検索ときめ細かい検索を同時にモデル化する統合学習手法を提案する。
提案手法は、強いベースラインに対して+4.03%、+3.38%、+2.40%のRecall@50精度を達成した。
論文 参考訳（メタデータ） (2022-11-14T14:25:40Z) - Measurement-based Admission Control in Sliced Networks: A Best Arm
Identification Approach [68.8204255655161]
スライスされたネットワークでは、スライスの共有テナンシは、データフローの適応的な受け入れ制御を必要とする。
一定の信頼度で正しい判断を返すための共同測定・意思決定戦略を考案する。
論文 参考訳（メタデータ） (2022-04-14T12:12:34Z) - Risk Consistent Multi-Class Learning from Label Proportions [64.0125322353281]
本研究は,バッグにトレーニングインスタンスを提供するMCLLP設定によるマルチクラス学習に対処する。
既存のほとんどのMCLLPメソッドは、インスタンスの予測や擬似ラベルの割り当てにバッグワイズな制約を課している。
経験的リスク最小化フレームワークを用いたリスク一貫性手法を提案する。
論文 参考訳（メタデータ） (2022-03-24T03:49:04Z) - A Typology for Exploring the Mitigation of Shortcut Behavior [29.38025128165229]
基本モジュールの共通集合を確立することにより,様々なXIL手法を単一型に統一する。
評価では、全ての手法がモデルの再検討を成功に導く。
しかし、個々のベンチマークタスクに顕著な違いが見られ、アプリケーションに関連する重要な側面が明らかになりました。
論文 参考訳（メタデータ） (2022-03-04T14:16:50Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z) - Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。
理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文 参考訳（メタデータ） (2020-10-15T16:14:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。