論文の概要: Statistical inference of assortative community structures
- arxiv url: http://arxiv.org/abs/2006.14493v3
- Date: Mon, 29 Jun 2020 07:07:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 04:33:48.544915
- Title: Statistical inference of assortative community structures
- Title(参考訳): 分類群落構造の統計的推論
- Authors: Lizhi Zhang and Tiago P. Peixoto
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We develop a principled methodology to infer assortative communities in
networks based on a nonparametric Bayesian formulation of the planted partition
model. We show that this approach succeeds in finding statistically significant
assortative modules in networks, unlike alternatives such as modularity
maximization, which systematically overfits both in artificial as well as in
empirical examples. In addition, we show that our method is not subject to a
resolution limit, and can uncover an arbitrarily large number of communities,
as long as there is statistical evidence for them. Our formulation is amenable
to model selection procedures, which allow us to compare it to more general
approaches based on the stochastic block model, and in this way reveal whether
assortativity is in fact the dominating large-scale mixing pattern. We perform
this comparison with several empirical networks, and identify numerous cases
where the network's assortativity is exaggerated by traditional community
detection methods, and we show how a more faithful degree of assortativity can
be identified.
- Abstract(参考訳): 本研究では,非パラメトリックベイズ的分割モデルの定式化に基づいて,ネットワーク内の代替的コミュニティを推定する手法を開発した。
モジュール性最大化(Modularity maximization)のような、人工的および実証的な例において体系的に過度に適合する代替手法とは異なり、このアプローチはネットワーク内で統計的に重要な代替モジュールを見つけることに成功していることを示す。
また,本手法は解決限界を満たさないことを示し,統計的な証拠がある限り,任意に多数のコミュニティを明らかにすることができることを示した。
我々の定式化は、確率的ブロックモデルに基づくより一般的なアプローチと比較可能なモデル選択手順に適しており、この方法では、アスカサティビティが実際に大規模な混合パターンを支配しているかどうかを明らかにする。
本研究は,いくつかの実験ネットワークとの比較を行い,従来のコミュニティ検出手法によってネットワークのソート性が誇張された多数の事例を特定し,より忠実なソート性が特定できることを示す。
関連論文リスト
- Revealing Multimodal Contrastive Representation Learning through Latent
Partial Causal Models [85.67870425656368]
マルチモーダルデータに特化して設計された統一因果モデルを提案する。
マルチモーダル・コントラスト表現学習は潜在結合変数の同定に優れていることを示す。
実験では、仮定が破られたとしても、我々の発見の堅牢性を示す。
論文 参考訳(メタデータ) (2024-02-09T07:18:06Z) - Federated Variational Inference Methods for Structured Latent Variable
Models [1.0312968200748118]
フェデレートされた学習方法は、データが元の場所を離れることなく、分散データソースをまたいだモデルトレーニングを可能にする。
本稿では,ベイズ機械学習において広く用いられている構造的変分推論に基づく汎用的でエレガントな解を提案する。
また、標準FedAvgアルゴリズムに類似した通信効率のよい変種も提供する。
論文 参考訳(メタデータ) (2023-02-07T08:35:04Z) - Bayesian community detection for networks with covariates [16.230648949593153]
科学界でもっとも注目されているのは「コミュニティ検出」である。
共依存型ランダムパーティションを持つブロックモデルを提案する。
本モデルでは, 後部推測により, コミュニティの数を知ることができる。
論文 参考訳(メタデータ) (2022-03-04T01:58:35Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳(メタデータ) (2021-12-05T04:36:09Z) - Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文 参考訳(メタデータ) (2021-10-20T12:25:22Z) - Network Estimation by Mixing: Adaptivity and More [2.3478438171452014]
我々は、利用可能な任意のモデルを利用して、個々のパフォーマンスを改善する混合戦略を提案する。
提案手法は計算効率が高く,チューニングがほとんどない。
提案手法は,真のモデルが個々の候補に含まれる場合のオラクル推定と同等に動作することを示す。
論文 参考訳(メタデータ) (2021-06-05T05:17:04Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳(メタデータ) (2021-01-02T02:11:37Z) - Learning more expressive joint distributions in multimodal variational
methods [0.17188280334580194]
正規化フローを用いたマルチモーダル変分法の表現能力を向上させる手法を提案する。
このモデルは,様々なコンピュータビジョンタスクの変動推論に基づいて,最先端のマルチモーダル手法を改善することを実証する。
また, より強力な近似関節分布の学習により, 生成した試料の品質が向上することを示した。
論文 参考訳(メタデータ) (2020-09-08T11:45:27Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳(メタデータ) (2020-06-05T20:54:11Z) - Assortative-Constrained Stochastic Block Models [6.058868817939519]
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。
論文 参考訳(メタデータ) (2020-04-21T19:52:59Z) - Variational Inference for Deep Probabilistic Canonical Correlation
Analysis [49.36636239154184]
線形多視点層と深層生成ネットワークを観測モデルとして構成した深部確率的多視点モデルを提案する。
潜在確率多視点層の後方分布を近似した効率的な変分推論法を開発した。
任意の数のビューを持つモデルへの一般化も提案されている。
論文 参考訳(メタデータ) (2020-03-09T17:51:15Z)
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。