論文の概要: Mining Persistent Activity in Continually Evolving Networks
- arxiv url: http://arxiv.org/abs/2006.15410v1
- Date: Sat, 27 Jun 2020 17:29:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 08:09:58.165863
- Title: Mining Persistent Activity in Continually Evolving Networks
- Title（参考訳）: 連続進化ネットワークにおける永続的なマイニング活動
- Authors: Caleb Belth, Xinyi Zheng, Danai Koutra
- Abstract要約: 頻繁なパターンマイニングは、進化するネットワークの構造とダイナミクスに関する洞察を与える研究の重要な領域である。
本研究では, 連続的に進行するネットワークにおいて, 時間とともに持続する鉱業活動の問題を提案する。
永続性の尺度が満たすべき公理と性質を提案し、そのような尺度を開発する。
PENminerも提案する。PENminerは,活動スニペットの進化的ネットワークにおける永続化を効率的にマイニングするためのフレームワークである。
- 参考スコア（独自算出の注目度）: 14.933853208553565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Frequent pattern mining is a key area of study that gives insights into the
structure and dynamics of evolving networks, such as social or road networks.
However, not only does a network evolve, but often the way that it evolves,
itself evolves. Thus, knowing, in addition to patterns' frequencies, for how
long and how regularly they have occurred---i.e., their persistence---can add
to our understanding of evolving networks. In this work, we propose the problem
of mining activity that persists through time in continually evolving
networks---i.e., activity that repeatedly and consistently occurs. We extend
the notion of temporal motifs to capture activity among specific nodes, in what
we call activity snippets, which are small sequences of edge-updates that
reoccur. We propose axioms and properties that a measure of persistence should
satisfy, and develop such a persistence measure. We also propose PENminer, an
efficient framework for mining activity snippets' Persistence in Evolving
Networks, and design both offline and streaming algorithms. We apply PENminer
to numerous real, large-scale evolving networks and edge streams, and find
activity that is surprisingly regular over a long period of time, but too
infrequent to be discovered by aggregate count alone, and bursts of activity
exposed by their lack of persistence. Our findings with PENminer include
neighborhoods in NYC where taxi traffic persisted through Hurricane Sandy, the
opening of new bike-stations, characteristics of social network users, and
more. Moreover, we use PENminer towards identifying anomalies in multiple
networks, outperforming baselines at identifying subtle anomalies by 9.8-48% in
AUC.
- Abstract（参考訳）: 頻繁なパターンマイニングは、社会や道路網などの進化するネットワークの構造とダイナミクスに関する洞察を与える重要な研究分野である。
しかし、ネットワークが進化するだけでなく、その進化の仕方自体が進化することが多い。
したがって、パターンの頻度に加えて、それらがどのくらい長く、どれくらい頻繁に発生したか、すなわち、その持続性が、進化するネットワークに対する我々の理解を足すことができます。
本研究では, 連続的かつ連続的に発生する, 連続的に進行するネットワークにおいて, 継続するマイニング活動の問題を提案する。
時間的モチーフの概念を拡張して、特定のノード間のアクティビティをキャプチャし、アクティビティスニペット(アクティビティスニペット)と呼んでいます。
持続性尺度が満足すべき公理と性質を提案し,そのような持続性尺度を開発する。
また,進化するネットワークにおけるアクティビティスニペットの永続性をマイニングするための効率的なフレームワークであるpenminerを提案し,オフラインとストリーミングの両方のアルゴリズムを設計する。
我々はpenminerを,多数の実規模で進化するネットワークとエッジストリームに適用し,長期間にわたって驚くほど規則的であるが,集約数だけでは発見できないアクティビティや,永続性の欠如によって露呈するアクティビティのバーストを見つけ出す。
penminerの調査結果には、ハリケーン・サンディを通じてタクシーの交通が続いたニューヨークの地区、新しい自転車駅の開設、ソーシャルネットワーク利用者の特徴などが含まれています。
さらに,penminerを用いて複数のネットワークの異常を同定し,aucの微妙な異常を9.8～48%上回った。
関連論文リスト
- Analyzing the Neural Tangent Kernel of Periodically Activated Coordinate
Networks [30.92757082348805]
ニューラルタンジェントカーネル(NTK)の解析を通して周期的に活性化されるネットワークの理論的理解を提供する。
NTKの観点から,周期的に活性化されるネットワークは,ReLU活性化ネットワークよりもテキスト的に良好であることが示唆された。
論文 参考訳（メタデータ） (2024-02-07T12:06:52Z) - Continuous-time Graph Representation with Sequential Survival Process [0.17265013728931003]
本稿では,リンクの継続時間と不在期間をモデル化するために,生存関数に依存するプロセスを提案する。
GraSSP: Graph Representation with Sequential Survival Processは、断続的なエッジパーシスタントネットワークを明示的に考慮した、汎用的な新しいモデルを形成する。
我々は、リンク予測やネットワーク補完など、様々な下流タスクにおいて開発されたフレームワークを定量的に評価する。
論文 参考訳（メタデータ） (2023-12-20T14:46:54Z) - Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳（メタデータ） (2023-10-05T21:44:18Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。
FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。
私たちのコードは公開されます。
論文 参考訳（メタデータ） (2022-02-23T18:23:07Z) - Frequent Pattern Mining in Continuous-time Temporal Networks [0.0]
我々は,時間的ネットワークデータセットにおける頻繁な時間パターンの完全集合をマイニングするための一連のアルゴリズムを開発した。
3つの実世界のデータセットに対するアルゴリズムの実装は、提案アルゴリズムの実用性を証明する。
論文 参考訳（メタデータ） (2021-05-12T02:47:24Z) - Adaptive Rational Activations to Boost Deep Reinforcement Learning [68.10769262901003]
我々は、合理的が適応可能なアクティベーション機能に適合する理由と、ニューラルネットワークへの含意が重要である理由を動機付けている。
人気アルゴリズムに(繰り返しの)アクティベーションを組み込むことで,アタリゲームにおいて一貫した改善がもたらされることを実証する。
論文 参考訳（メタデータ） (2021-02-18T14:53:12Z) - Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of
Time Series [77.47313102926017]
Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。
それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。
radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
論文 参考訳（メタデータ） (2021-02-15T00:57:28Z) - Inductive Representation Learning in Temporal Networks via Causal
Anonymous Walks [51.79552974355547]
テンポラルネットワークは多くの現実世界の動的システムの抽象化として機能する。
時間的ネットワークを誘導的に表現するCausal Anonymous Walks(CAW)を提案する。
CAWは時間的ランダムウォークによって抽出され、時間的ネットワークモチーフの自動検索として機能する。
論文 参考訳（メタデータ） (2021-01-15T05:47:26Z) - EPNE: Evolutionary Pattern Preserving Network Embedding [26.06068388979255]
本研究では,ノードの局所構造の進化パターンを保存するための時間ネットワーク埋め込みモデルEPNEを提案する。
時間情報の適切なモデリングにより,本モデルは様々な予測タスクにおいて,他の競合手法よりも優れている。
論文 参考訳（メタデータ） (2020-09-24T06:31:14Z) - Temporal Network Representation Learning via Historical Neighborhoods
Aggregation [28.397309507168128]
本稿では,EHNAアルゴリズムによる埋め込みを提案する。
まず,歴史地区のノードを特定できる時間的ランダムウォークを提案する。
次に,ノード埋め込みを誘導するカスタムアテンション機構を用いたディープラーニングモデルを適用する。
論文 参考訳（メタデータ） (2020-03-30T04:18:48Z)
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。