論文の概要: Top influencers can be identified universally by combining classical centralities

• arxiv url: http://arxiv.org/abs/2006.07657v2
• Date: Tue, 4 Aug 2020 12:33:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 21:37:02.119601
• Title: Top influencers can be identified universally by combining classical centralities
• Title（参考訳）: 古典的中心性を組み合わせることで、トップインフルエンサーを普遍的に特定できる
• Authors: Doina Bucur
• Abstract要約: 単一の中央集権が常に優れた地位を持つことはない。 特定の中央のペアは、特に統計学的にトップスプレッドラーと他のスプレッドラーの境界を描くのによく協力する。 スーパースレッダとして選択されたノードは通常、両方の中央値の最大化を共同で行う。
• 参考スコア（独自算出の注目度）: 0.6853165736531939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Information flow, opinion, and epidemics spread over structured networks. When using individual node centrality indicators to predict which nodes will be among the top influencers or spreaders in a large network, no single centrality has consistently good ranking power. We show that statistical classifiers using two or more centralities as input are instead consistently predictive over many diverse, static real-world topologies. Certain pairs of centralities cooperate particularly well in statistically drawing the boundary between the top spreaders and the rest: local centralities measuring the size of a node's neighbourhood benefit from the addition of a global centrality such as the eigenvector centrality, closeness, or the core number. This is, intuitively, because a local centrality may rank highly some nodes which are located in dense, but peripheral regions of the network---a situation in which an additional global centrality indicator can help by prioritising nodes located more centrally. The nodes selected as superspreaders will usually jointly maximise the values of both centralities. As a result of the interplay between centrality indicators, training classifiers with seven classical indicators leads to a nearly maximum average precision function (0.995) across the networks in this study.
• Abstract（参考訳）: 情報の流れ、意見、疫病が構造化ネットワークに広がった。 個々のノード集中度指標を使用して、大きなネットワークでどのノードがトップインフルエンサーやスプレッサーに入るかを予測する場合、単一のノード集中度が一貫して優れたランキング能力を持つことはない。 2つ以上の中心点を入力として使用する統計的分類器は、代わりに様々な静的実世界のトポロジーに対して一貫して予測される。 局所中心性は、固有ベクトル中心性(英語版)、近接性(英語版)、コア数(英語版)のような大域的中心性を追加することによって、ノードの近傍の大きさを測定する。 これは直観的には、局所集中性が密集しているいくつかのノードを高度にランク付けするが、ネットワークの周辺領域--追加のグローバル集中性指標がより中央に位置するノードの優先順位付けに役立つ状況である。 スーパースレッダとして選択されたノードは通常、両方の中央値の最大化を共同で行う。 集中度指標間の相互作用の結果,7つの古典的指標を用いた訓練分類器は,ネットワーク全体の平均精度関数 (0.995) を最大化する。

関連論文リスト

• Networked Communication for Mean-Field Games with Function Approximation and Empirical Mean-Field Estimation [59.01527054553122]
  分散エージェントは、経験的システムの単一かつ非エポゾディックな実行から平均フィールドゲームにおける平衡を学ぶことができる。 既存の設定に関数近似を導入し,Munchausen Online Mirror Descent 方式で描画する。 また, エージェントが局所的な周辺地域に基づいて, グローバルな経験分布を推定できる新しいアルゴリズムも提供する。
  論文  参考訳（メタデータ） (2024-08-21T13:32:46Z)
• Impact of network topology on the performance of Decentralized Federated Learning [4.618221836001186]
  分散機械学習は、インフラストラクチャの課題とプライバシの懸念に対処し、勢いを増している。 本研究では,3つのネットワークトポロジと6つのデータ分散手法を用いて,ネットワーク構造と学習性能の相互作用について検討する。 モデル集約時の希釈効果に起因する周辺ノードから中心ノードへの知識伝達の課題を強調した。
  論文  参考訳（メタデータ） (2024-02-28T11:13:53Z)
• Core-Intermediate-Peripheral Index: Factor Analysis of Neighborhood and Shortest Paths-based Centrality Metrics [0.0]
  本稿では,コアノードがコアノードの役割を担える範囲を捉えるために,コア中間周辺指数(CIP)と呼ばれる新しい指標を提案する。 当社のアプローチは、12の複雑な現実世界ネットワークの多様なスイートでテストしています。
  論文  参考訳（メタデータ） (2023-10-10T06:52:20Z)
• Hierarchical Multi-Marginal Optimal Transport for Network Alignment [52.206006379563306]
  マルチネットワークアライメントは,複数ネットワーク上での協調学習に必須の要件である。 マルチネットワークアライメントのための階層型マルチマージ最適トランスポートフレームワークHOTを提案する。 提案するHOTは,有効性とスケーラビリティの両面で,最先端の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2023-10-06T02:35:35Z)
• Centralized Feature Pyramid for Object Detection [53.501796194901964]
  視覚的特徴ピラミッドは、広範囲のアプリケーションにおいて、有効性と効率の両方において、その優位性を示している。 本稿では,オブジェクト検出のためのOLO特徴ピラミッドを提案する。
  論文  参考訳（メタデータ） (2022-10-05T08:32:54Z)
• Comparative evaluation of community-aware centrality measures [1.7243339961137643]
  本研究では,SIRモデルを用いて,感染拡大過程における地域中心性に影響を及ぼす7つの指標について検討した。 その結果,地域社会に意識した集中度尺度の相関は低いことが明らかとなった。 マルチスレッダ問題では、リソースが利用可能であれば、Modularity Vitalityを使用した遠方のハブをターゲットとする方がより効果的である。
  論文  参考訳（メタデータ） (2022-05-14T07:43:26Z)
• CenGCN: Centralized Convolutional Networks with Vertex Imbalance for Scale-Free Graphs [38.427695265783726]
  本稿では,情報の不平等に対処するため,CenGCNという新たな集中型フレームワークを提案する。 CenGCN_DとCenGCN_Eの2つの変種をそれぞれ,次数中心度と固有ベクトル中心度に基づいて提示する。 その結果、2つの変種は最先端のベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2022-02-16T02:18:16Z)
• A Modular Framework for Centrality and Clustering in Complex Networks [0.6423239719448168]
  本稿では,集中度とクラスタリングという2つの重要なネットワーク解析手法について検討する。 クラスタリングには情報フローベースのモデルが採用されている。 我々のクラスタリングは、エッジウェイトとノードの度合いの異なる解釈と相互作用と同様に、エッジ指向性に対応する柔軟性を自然に継承する。
  論文  参考訳（メタデータ） (2021-11-23T03:01:29Z)
• Consensus Control for Decentralized Deep Learning [72.50487751271069]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上のデバイス上での学習と、大規模計算クラスタへの効率的なスケーリングを可能にする。 理論上、トレーニングコンセンサス距離が重要な量よりも低い場合、分散化されたトレーニングは集中的なトレーニングよりも早く収束することを示す。 私たちの経験的な洞察は、パフォーマンス低下を軽減するために、より分散化されたトレーニングスキームの原則設計を可能にします。
  論文  参考訳（メタデータ） (2021-02-09T13:58:33Z)
• Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
  本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。 提案するフレームワークは容易に異種ネットワークに拡張できる。
  論文  参考訳（メタデータ） (2020-06-07T19:26:20Z)
• Quantized Decentralized Stochastic Learning over Directed Graphs [52.94011236627326]
  有向グラフ上で通信する計算ノード間でデータポイントが分散される分散学習問題を考える。 モデルのサイズが大きくなるにつれて、分散学習は、各ノードが隣人にメッセージ(モデル更新)を送信することによる通信負荷の大きなボトルネックに直面します。 本稿では,分散コンセンサス最適化におけるプッシュサムアルゴリズムに基づく有向グラフ上の量子化分散学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-23T18:25:39Z)

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。