論文の概要: Assortative-Constrained Stochastic Block Models

• arxiv url: http://arxiv.org/abs/2004.11890v1
• Date: Tue, 21 Apr 2020 19:52:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 06:40:55.793074
• Title: Assortative-Constrained Stochastic Block Models
• Title（参考訳）: 順列制約付き確率ブロックモデル
• Authors: Daniel Gribel, Thibaut Vidal, Michel Gendreau
• Abstract要約: ブロックモデル(SBM)は、ネットワーク内の代替的なコミュニティ構造を見つけるためにしばしば用いられる。 本研究では,このモデルに忠実な無関心が,非代替性や非代替性に与える影響について論じる。 そこで本研究では, 制約付きSBMを導入し, 高いアソータ性制約を課し, 効率的なアルゴリズムアプローチを提案する。
• 参考スコア（独自算出の注目度）: 6.058868817939519
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stochastic block models (SBMs) are often used to find assortative community structures in networks, such that the probability of connections within communities is higher than in between communities. However, classic SBMs are not limited to assortative structures. In this study, we discuss the implications of this model-inherent indifference towards assortativity or disassortativity, and show that this characteristic can lead to undesirable outcomes for networks which are presupposedy assortative but which contain a reduced amount of information. To circumvent this issue, we introduce a constrained SBM that imposes strong assortativity constraints, along with efficient algorithmic approaches to solve it. These constraints significantly boost community recovery capabilities in regimes that are close to the information-theoretic threshold. They also permit to identify structurally-different communities in networks representing cerebral-cortex activity regions.
• Abstract（参考訳）: 確率的ブロックモデル(sbm)は、コミュニティ内の接続確率がコミュニティ間よりも高いような、ネットワーク内の多様なコミュニティ構造を見つけるためにしばしば用いられる。 しかし、古典的なsbmは分類構造に限定されない。 本研究では,このモデルに内在する乱雑性や乱雑性に対する無干渉の影響を考察し,この特徴が,前述したような乱雑な情報量を含むネットワークにとって望ましくない結果をもたらすことを示す。 この問題を回避するため,我々は,効率的なアルゴリズム手法とともに,強い乱雑性制約を課す制約付きsbmを導入する。 これらの制約は、情報理論のしきい値に近い制度において、コミュニティの回復能力を大幅に向上させる。 また、脳皮質活動領域を表すネットワークの構造的に異なるコミュニティを特定することも許している。

関連論文リスト

• Differentiable Reasoning about Knowledge Graphs with Region-based Graph Neural Networks [62.93577376960498]
  知識グラフ(KG)の完成法は、意味的正則性を捕捉し、これらの正則性を用いて、明示的に記述されていない妥当な知識を推測する必要がある。 ほとんどの埋め込みベースの手法はキャプチャ可能な正規性には不透明であるが、領域ベースのKG埋め込みモデルはより透明な代替手段として現れている。 命令制約に基づくシンプルなモデルであるRESHUFFLEを提案し、既存のアプローチよりもはるかに大きなルールベースを忠実に捉えることができる。
  論文  参考訳（メタデータ） (2024-06-13T18:37:24Z)
• VEC-SBM: Optimal Community Detection with Vectorial Edges Covariates [67.51637355249986]
  本稿では,コミュニティ検出のための統計フレームワークであるブロックモデル(SBM)の拡張について検討する。 本稿では,反復的改良手法に基づく新しいアルゴリズムを提案し,潜在コミュニティを最適に回復することを示す。 コミュニティ検出プロセスにおいて,エッジ側情報を活用する付加価値を厳格に評価する。
  論文  参考訳（メタデータ） (2024-02-29T02:19:55Z)
• Capsa: A Unified Framework for Quantifying Risk in Deep Neural Networks [142.67349734180445]
  ディープニューラルネットワークにリスク認識を提供する既存のアルゴリズムは複雑でアドホックである。 ここでは、リスク認識でモデルを拡張するためのフレームワークであるcapsaを紹介します。
  論文  参考訳（メタデータ） (2023-08-01T02:07:47Z)
• Numerically assisted determination of local models in network scenarios [55.2480439325792]
  統計的振る舞いを再現する明示的な局所モデルを見つけるための数値ツールを開発する。 グリーンベルガー・ホルン・ザイリンガー(GHZ)およびW分布の臨界振動性に関する予想を提供する。 開発されたコードとドキュメントは、281.com/mariofilho/localmodelsで公開されている。
  論文  参考訳（メタデータ） (2023-03-17T13:24:04Z)
• Semantic Probabilistic Layers for Neuro-Symbolic Learning [83.25785999205932]
  我々は構造化出力予測(SOP)のための予測層を設計する。 予測が事前に定義されたシンボリック制約のセットと一致していることを保証するため、任意のニューラルネットワークにプラグインすることができる。 我々のセマンティック確率層(SPL)は、構造化された出力空間上で複雑な相関や制約をモデル化することができる。
  論文  参考訳（メタデータ） (2022-06-01T12:02:38Z)
• SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
  グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。 近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。 近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
  論文  参考訳（メタデータ） (2022-03-31T02:45:24Z)
• Implicit MLE: Backpropagating Through Discrete Exponential Family Distributions [24.389388509299543]
  Implicit Maximum Likelihood Estimationは、離散指数族分布と微分可能なニューラル成分を組み合わせたモデルのエンドツーエンド学習のためのフレームワークである。 I-MLEは、問題固有の緩和に依存する既存のアプローチよりも優れており、しばしば優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:42:21Z)
• Extended Stochastic Block Models with Application to Criminal Networks [3.2211782521637393]
  犯罪者間の関係を符号化する隠蔽ネットワークについて検討する。 ノイズの多いブロックパターンの共存は、日常的に使用されるコミュニティ検出アルゴリズムの信頼性を制限する。 我々は,共通接続パターンを持つノード群を推論する拡張ブロックモデル(ESBM)を新たに開発した。
  論文  参考訳（メタデータ） (2020-07-16T19:06:16Z)
• Statistical inference of assortative community structures [0.0]
  本研究では,非パラメトリックなベイズ型分割モデルの定式化に基づいて,ネットワーク内のコンソーシアティブなコミュニティを推定する手法を開発した。 我々は,提案手法が解決限界に達していないことを示し,任意に多数のコミュニティを発見できることを示した。
  論文  参考訳（メタデータ） (2020-06-25T15:44:05Z)
• Community Detection in Bipartite Networks with Stochastic Blockmodels [0.0]
  バイパーティイトネットワークでは、あるタイプのノードは、他のタイプのノードとの共通の接続パターンに従ってグループ化される。 これにより、ブロックモデル(SBM)が2部構成のコミュニティ検出の直感的な選択となる。 我々はSBMの非パラメトリックな定式化とそれに対応するアルゴリズムを導入し、二部ネットワークのコミュニティを効率的に見つける。
  論文  参考訳（メタデータ） (2020-01-22T05:58:19Z)
• Pairwise Covariates-adjusted Block Model for Community Detection [9.423321226644891]
  コミュニティ検出はネットワーク研究における最も基本的な問題の1つである。 ペアワイズ共調整一般化ブロックモデル(PCABM)を導入する。 適切な空間条件下でPCABMは一定であることを示す。
  論文  参考訳（メタデータ） (2018-07-10T03:37:55Z)

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。