論文の概要: How to choose the most appropriate centrality measure? A decision tree
approach
- arxiv url: http://arxiv.org/abs/2003.01052v5
- Date: Wed, 19 Jul 2023 20:43:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-21 19:34:20.354503
- Title: How to choose the most appropriate centrality measure? A decision tree
approach
- Title（参考訳）: 最も適切な集中度尺度をどうやって選ぶか?
決定木アプローチ
- Authors: Pavel Chebotarev and Dmitry Gubanov
- Abstract要約: 本稿では,簡単なグラフ上での集中度行動に関する専門家の嗜好を活用するカリング手法を提案する。
一連の候補測度を作成し、可能な限り小さなグラフのリストを生成して、お互いの測度を分離する。
この手法を,新しいカーネルベース尺度を含む40の中央値の多種多様な集合に適用し,公理的アプローチと組み合わせる。
- 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: Centrality metrics are vital for network analysis, but selecting the most
appropriate measures for specific applications remains challenging among the
400+ proposed indices. Existing approaches -- model-based, data-driven, and
axiomatic -- have limitations. To address this, we introduce the culling
method, leveraging expert preferences regarding centrality behavior on simple
graphs. It involves forming a set of candidate measures, generating a list of
as small graphs as possible needed to ``separate'' measures from each other,
constructing a decision-tree survey, and identifying the measure consistent
with expert responses. We apply this method to a diverse set of 40
centralities, including new kernel-based measures, and combine it with the
axiomatic approach. Remarkably, only 13 small 1-trees suffice to separate all
40 measures, among which there are pairs of close ones. The culling method
offers a low-cost solution in terms of labor and time, complements existing
methods for measure selection, and reveals important peculiarities of
centrality measures.
- Abstract（参考訳）: 集中度指標はネットワーク分析に不可欠であるが、400以上の指標の中で、特定の用途に最も適した尺度を選択することは依然として困難である。
既存のアプローチ -- モデルベース、データ駆動、アクシオマティクス -- には制限がある。
これを解決するために,簡単なグラフ上での集中度行動に関する専門家の嗜好を活用するカリング手法を提案する。
これは、一連の候補尺度を作成し、互いに「分離」尺度を作成するために可能な限り小さなグラフのリストを生成し、意思決定木調査を構築し、専門家の反応と一致した尺度を特定することを含む。
この手法を,新しいカーネルベース尺度を含む40の中央値の多種多様な集合に適用し,公理的アプローチと組み合わせる。
注目すべきは、40のすべての測度を分離するのに十分な小さな1-木が13個しかないことだ。
このカリング法は、労働と時間の面で低コストなソリューションを提供し、既存の選別方法を補完し、集中度対策の重要な特質を明らかにする。
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) - 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) - Sparse Methods for Automatic Relevance Determination [0.0]
まず、自動妥当性決定(ARD)について検討し、スパースモデルを実現するために、追加の正規化やしきい値設定の必要性を解析的に実証する。
次に、正規化ベースとしきい値ベースという2つの手法のクラスについて論じる。
論文 参考訳（メタデータ） (2020-05-18T14:08:49Z)
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。