論文の概要: An algorithm for reconstruction of triangle-free linear dynamic networks
with verification of correctness
- arxiv url: http://arxiv.org/abs/2003.02870v2
- Date: Tue, 10 Nov 2020 19:10:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 07:35:47.262808
- Title: An algorithm for reconstruction of triangle-free linear dynamic networks
with verification of correctness
- Title(参考訳): 正当性検証を用いた三角形自由線形動的ネットワークの再構成アルゴリズム
- Authors: Mihaela Dimovska, Donatello Materassi
- Abstract要約: 本稿では,三角形のないネットワークのトポロジを正確に復元するか,あるいは実際のネットワークのトポロジよりもスペーサーなグラフを出力する手法を提案する。
無限のデータに限っても、真のネットワークに存在しないエッジを推測することで、任意の再構成手法が受容可能であることを証明している。
- 参考スコア(独自算出の注目度): 2.28438857884398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstructing a network of dynamic systems from observational data is an
active area of research. Many approaches guarantee a consistent reconstruction
under the relatively strong assumption that the network dynamics is governed by
strictly causal transfer functions. However, in many practical scenarios,
strictly causal models are not adequate to describe the system and it is
necessary to consider models with dynamics that include direct feedthrough
terms. In presence of direct feedthroughs, guaranteeing a consistent
reconstruction is a more challenging task. Indeed, under no additional
assumptions on the network, we prove that, even in the limit of infinite data,
any reconstruction method is susceptible to inferring edges that do not exist
in the true network (false positives) or not detecting edges that are present
in the network (false negative). However, for a class of triangle-free networks
introduced in this article, some consistency guarantees can be provided. We
present a method that either exactly recovers the topology of a triangle-free
network certifying its correctness or outputs a graph that is sparser than the
topology of the actual network, specifying that such a graph has no false
positives, but there are false negatives.
- Abstract(参考訳): 観測データから動的システムのネットワークを再構築することは研究の活発な領域である。
多くのアプローチは、ネットワーク力学が厳密に因果転移関数によって支配されるという比較的強い仮定の下で一貫した再構成を保証する。
しかし、多くの実践シナリオでは、システムを記述するのに厳密な因果モデルでは不十分であり、直接フィードスルー項を含む動的モデルを考える必要がある。
直接フィードスルーが存在する場合、一貫性のある再構築の保証は、より困難なタスクである。
実際、ネットワーク上の追加の仮定の下では、無限データの限界でも、真のネットワークに存在しないエッジ(偽陽性)を推測したり、ネットワークに存在するエッジを検知しない(偽陰性)ような、いかなる再構成方法も影響を受けやすいことが証明される。
しかし、本稿で紹介された三角形フリーネットワークのクラスでは、いくつかの一貫性を保証することができる。
本稿では,その正しさを証明した三角形のないネットワークのトポロジを正確に復元するか,あるいは実際のネットワークのトポロジよりも小さいグラフを出力する手法を提案する。
関連論文リスト
- Inferring networks from time series: a neural approach [3.115375810642661]
本稿では,ニューラルネットワークを用いて時系列データから大規模ネットワーク隣接行列を推定する強力な計算手法を提案する。
電力カットに対する応答から、英国電力網の線路故障箇所を推定することで、我々の能力を実証する。
論文 参考訳(メタデータ) (2023-03-30T15:51:01Z) - Neural Abstractions [72.42530499990028]
本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。
提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
論文 参考訳(メタデータ) (2023-01-27T12:38:09Z) - Simple initialization and parametrization of sinusoidal networks via
their kernel bandwidth [92.25666446274188]
従来の活性化機能を持つネットワークの代替として、活性化を伴う正弦波ニューラルネットワークが提案されている。
まず,このような正弦波ニューラルネットワークの簡易版を提案する。
次に、ニューラルタンジェントカーネルの観点からこれらのネットワークの挙動を分析し、そのカーネルが調整可能な帯域幅を持つ低域フィルタを近似することを実証する。
論文 参考訳(メタデータ) (2022-11-26T07:41:48Z) - An Approach for Link Prediction in Directed Complex Networks based on
Asymmetric Similarity-Popularity [0.0]
本稿では,有向ネットワーク用に明示的に設計されたリンク予測手法を提案する。
これは、最近無方向性ネットワークで成功した類似性-人気パラダイムに基づいている。
アルゴリズムは、隠れた類似性を最も短い経路距離として近似し、リンクの非対称性とノードの人気を捉え、決定するエッジウェイトを使用する。
論文 参考訳(メタデータ) (2022-07-15T11:03:25Z) - Gradient Methods Provably Converge to Non-Robust Networks [40.83290846983707]
逆数ネットワークでは、2LU$ Reperturbible gradient network は明らかに非ローバストである。
我々は、よく知られたマージンに対する暗黙の偏見が、非ロバストネットワークに対する偏見を引き起こすことを示した。
論文 参考訳(メタデータ) (2022-02-09T08:58:54Z) - Equilibrated Zeroth-Order Unrolled Deep Networks for Accelerated MRI [14.586911990418624]
近年,モデル駆動型ディープラーニングは正規化モデルの反復アルゴリズムをカスケードネットワークに展開している。
理論上、一階情報が置換されたネットワークモジュールと一致するような機能正規化器は必ずしも存在しない。
本稿では,ネットワークアンローリングにおけるセーフガード手法を提案する。
論文 参考訳(メタデータ) (2021-12-18T09:47:19Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳(メタデータ) (2021-10-20T06:15:45Z) - Latent Network Embedding via Adversarial Auto-encoders [15.656374849760734]
本稿では,逆グラフ自動エンコーダに基づく潜在ネットワーク埋め込みモデルを提案する。
この枠組みの下では、潜伏構造を発見する問題は、部分的な観測から潜伏関係を推測するものとして定式化されている。
論文 参考訳(メタデータ) (2021-09-30T16:49:46Z) - Manifold Regularized Dynamic Network Pruning [102.24146031250034]
本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。
提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
論文 参考訳(メタデータ) (2021-03-10T03:59:03Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Enabling certification of verification-agnostic networks via
memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。
L-inf の精度は 1% から 88% ,6% から 40% に改善した。
また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文 参考訳(メタデータ) (2020-10-22T12:32:29Z)
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。