論文の概要: Heuristics for Link Prediction in Multiplex Networks
- arxiv url: http://arxiv.org/abs/2004.04704v1
- Date: Thu, 9 Apr 2020 17:36:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 02:27:09.963667
- Title: Heuristics for Link Prediction in Multiplex Networks
- Title（参考訳）: 多重ネットワークにおけるリンク予測のヒューリスティックス
- Authors: Robert E. Tillman, Vamsi K. Potluru, Jiahao Chen, Prashant Reddy,
Manuela Veloso
- Abstract要約: マルチプレックスネットワークリンク予測のための新しいフレームワークと3つのファミリーを提案する。
提案手法は, 接続型相関構造のリッチさにより性能が向上し, 単一の接続型を持つ通常のネットワークにおいて, ベースラインを著しく上回っていることを示す。
- 参考スコア（独自算出の注目度）: 15.637077180633735
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Link prediction, or the inference of future or missing connections between
entities, is a well-studied problem in network analysis. A multitude of
heuristics exist for link prediction in ordinary networks with a single type of
connection. However, link prediction in multiplex networks, or networks with
multiple types of connections, is not a well understood problem. We propose a
novel general framework and three families of heuristics for multiplex network
link prediction that are simple, interpretable, and take advantage of the rich
connection type correlation structure that exists in many real world networks.
We further derive a theoretical threshold for determining when to use a
different connection type based on the number of links that overlap with an
Erdos-Renyi random graph. Through experiments with simulated and real world
scientific collaboration, transportation and global trade networks, we
demonstrate that the proposed heuristics show increased performance with the
richness of connection type correlation structure and significantly outperform
their baseline heuristics for ordinary networks with a single connection type.
- Abstract（参考訳）: リンク予測(リンク予測、英: Link prediction)は、ネットワーク分析においてよく研究されている問題である。
単一の種類の接続を持つ通常のネットワークにおけるリンク予測には、多数のヒューリスティックが存在する。
しかし、多重ネットワークや複数種類の接続を持つネットワークにおけるリンク予測は、よく理解されていない問題である。
本稿では,多くの実世界ネットワークに存在するリッチな接続型相関構造を利用した,単純で解釈可能な多重ネットワークリンク予測のための新しい汎用フレームワークと3種類のヒューリスティックスを提案する。
さらに、Erdos-Renyiランダムグラフと重複するリンク数に基づいて、異なる接続タイプをいつ使うかを決定するための理論的しきい値を導出する。
シミュレーションおよび実世界の科学コラボレーション,輸送,グローバルトレードネットワークを用いた実験により,提案するヒューリスティックスは接続型相関構造の豊かさとともに性能が向上し,単一の接続型を持つ通常のネットワークのベースラインヒューリスティックを大幅に上回ることを示した。
関連論文リスト
- Generalization and Estimation Error Bounds for Model-based Neural
Networks [78.88759757988761]
スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。
我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
論文 参考訳（メタデータ） (2023-04-19T16:39:44Z) - 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) - Link Prediction with Contextualized Self-Supervision [63.25455976593081]
リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。
従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。
本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-25T03:12:32Z) - High-order joint embedding for multi-level link prediction [2.4366811507669124]
リンク予測は、観測されたネットワークから潜在的なリンクを推測し、ネットワーク分析において重要な問題の1つである。
本稿では,ペアリンクとハイパーリンクを同時に符号化する新しいテンソル型ジョイントネットワーク埋め込み手法を提案する。
シミュレーション設定とFacebook ego-networksの両方に関する数値的研究により,提案手法はハイパーリンクとペアリンク予測の精度を向上することが示された。
論文 参考訳（メタデータ） (2021-11-07T05:22:54Z) - Understanding the network formation pattern for better link prediction [4.8334761517444855]
多重順序局所情報(MOLI)を用いたリンク予測手法を提案する。
MOLIは、異なる距離の隣人からのローカル情報を利用しており、パラメータは事前知識に基づいて事前駆動される。
シミュレーションと実世界の11種類のネットワークにおいて,MOLIが他の11種類のリンク予測アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-10-17T15:30:04Z) - Towards Understanding Theoretical Advantages of Complex-Reaction
Networks [77.34726150561087]
パラメータ数を用いて,関数のクラスを複素反応ネットワークで近似できることを示す。
経験的リスク最小化については,複素反応ネットワークの臨界点集合が実数値ネットワークの固有部分集合であることを示す。
論文 参考訳（メタデータ） (2021-08-15T10:13:49Z) - Adversarial Robustness of Probabilistic Network Embedding for Link
Prediction [24.335469995826244]
リンク予測のための条件付きネットワーク埋め込み(CNE)の対角的ロバスト性について検討する。
ネットワークの小さな対向摂動に対するモデルのリンク予測の感度を測定した。
我々のアプローチでは、そのような摂動に最も弱いネットワーク内のリンクとリンクを識別できる。
論文 参考訳（メタデータ） (2021-07-05T11:07:35Z) - Full network nonlocality [68.8204255655161]
ネットワーク内のすべてのリンクが非ローカルリソースを分散するために必要となる相関関係を記述した完全ネットワーク非ローカル性の概念を導入する。
最もよく知られているネットワークベル試験では,ネットワークの非局所性は見られていない。
より一般に、ネットワーク内の局所的および理論に依存しない相関を解析するための確立された手法は、完全なネットワーク非局所性のための十分な条件を導出するために組み合わせることができると指摘する。
論文 参考訳（メタデータ） (2021-05-19T18:00:02Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳（メタデータ） (2020-06-11T17:42:46Z) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:36:24Z) - NEW: A Generic Learning Model for Tie Strength Prediction in Networks [5.834475036139535]
タイの強度予測(タイの強さ予測、英: Tie strength prediction)は、ネットワークに出現する接続パターンの多様性を探索する上で不可欠である。
我々はNEW(Neighborhood Estimating Weight)と呼ばれる新しい計算フレームワークを提案する。
NEWはネットワークの基本構造情報によって純粋に駆動され、多様な種類のネットワークに適応する柔軟性を持つ。
論文 参考訳（メタデータ） (2020-01-15T13:02:00Z)
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。