論文の概要: Mixed Logit Models and Network Formation

• arxiv url: http://arxiv.org/abs/2006.16516v5
• Date: Fri, 26 Aug 2022 21:59:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 06:13:47.729126
• Title: Mixed Logit Models and Network Formation
• Title（参考訳）: 混合ロジットモデルとネットワーク形成
• Authors: Harsh Gupta and Mason A. Porter
• Abstract要約: 我々は、ネットワーク内のノードが他のノードに接続するための選択としてネットワーク形成をモデル化する。 ネットワーク形成の研究には、繰り返しチョイス(RC)モデルを用いる。 合成ネットワークと実世界のネットワークの両方を用いて、RCモデルを用いてネットワーク形成を正確に研究する方法を示す。
• 参考スコア（独自算出の注目度）: 4.689342110460282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The study of network formation is pervasive in economics, sociology, and many other fields. In this paper, we model network formation as a `choice' that is made by nodes in a network to connect to other nodes. We study these `choices' using discrete-choice models, in which an agent chooses between two or more discrete alternatives. We employ the `repeated-choice' (RC) model to study network formation. We argue that the RC model overcomes important limitations of the multinomial logit (MNL) model, which gives one framework for studying network formation, and that it is well-suited to study network formation. We also illustrate how to use the RC model to accurately study network formation using both synthetic and real-world networks. Using edge-independent synthetic networks, we also compare the performance of the MNL model and the RC model. We find that the RC model estimates the data-generation process of our synthetic networks more accurately than the MNL model. In a patent citation network, which forms sequentially, we present a case study of a qualitatively interesting scenario -- the fact that new patents are more likely to cite older, more cited, and similar patents -- for which employing the RC model yields interesting insights.
• Abstract（参考訳）: ネットワーク形成の研究は、経済学、社会学、その他多くの分野で広く行われている。 本稿では,ネットワーク内のノードが他のノードに接続するための「選択」としてネットワーク形成をモデル化する。 エージェントが2つ以上の離散的な選択肢を選択する離散的選択モデルを用いて、これらの「選択」について検討する。 ネットワーク形成の研究には「繰り返し選択(RC)」モデルを用いる。 我々は、rcモデルがネットワーク形成を研究する一つの枠組みを与える多項ロジット(mnl)モデルの重要な制限を克服し、ネットワーク形成を研究するのに適していると主張する。 また,rcモデルを用いて合成ネットワークと実世界ネットワークの両方を用いて,ネットワーク形成を正確に研究する方法を示す。 また、エッジ非依存合成ネットワークを用いて、MNLモデルとRCモデルの性能を比較する。 rcモデルは,mnlモデルよりも合成ネットワークのデータ生成過程を精度良く推定できることがわかった。 連続的に形成される特許引用ネットワークでは、新しい特許がより古い、より引用され、類似した特許を引用する可能性が高いという、定性的に興味深いシナリオのケーススタディを提示します。

関連論文リスト

• Learning the mechanisms of network growth [42.1340910148224]
  動的ネットワークのための新しいモデル選択法を提案する。 データは9つの最先端のランダムグラフモデルをシミュレートすることによって生成される。 提案された機能は、計算しやすく、分析的に抽出可能で、解釈可能である。
  論文  参考訳（メタデータ） (2024-03-31T20:38:59Z)
• Jointly Training and Pruning CNNs via Learnable Agent Guidance and Alignment [69.33930972652594]
  本稿では,CNNモデルの重みと構造的プーン構造を協調的に学習するための新しい構造的プルーニング手法を提案する。 本手法の中核となる要素は強化学習(RL)エージェントであり,その動作がCNNモデルの階層のプルーニング比を決定する。 我々は,モデルの重みとエージェントのポリシーを反復的に訓練し,共同訓練と刈り取りを行う。
  論文  参考訳（メタデータ） (2024-03-28T15:22:29Z)
• Neural Network Parameter Diffusion [50.85251415173792]
  拡散モデルは画像生成やビデオ生成において顕著な成功を収めた。 本研究は拡散モデルにも適用可能であることを示す。 高性能なニューラルネットワークパラメータを生成する。
  論文  参考訳（メタデータ） (2024-02-20T16:59:03Z)
• Generative Adversarial Reduced Order Modelling [0.0]
  本稿ではGAROMについて述べる。GAN(Generative Adversarial Network)に基づくリダクション・オーダー・モデリング(ROM)の新しいアプローチである。 GANはデータ配布を学習し、よりリアルなデータを生成する可能性がある。 本研究では,パラメータ微分方程式の解を学習可能なデータ駆動生成逆数モデルを導入することにより,GANとROMの枠組みを組み合わせる。
  論文  参考訳（メタデータ） (2023-05-25T09:23:33Z)
• Graph Auto-Encoders for Network Completion [6.1074304332419675]
  本稿では,ネットワークの観測部分から学習した接続パターンを用いてグラフ全体を完成させるモデルを提案する。 提案モデルでは,少ない情報で競合性能を達成できた。
  論文  参考訳（メタデータ） (2022-04-25T05:24:45Z)
• Distributionally Robust Recurrent Decoders with Random Network Distillation [93.10261573696788]
  本稿では,自動回帰言語モデルが推論中にOODコンテキストを無視できるように,ランダムネットワーク蒸留を用いたOOD検出に基づく手法を提案する。 提案手法をGRUアーキテクチャに適用し,複数の言語モデリング(LM)データセットの改善を実証する。
  論文  参考訳（メタデータ） (2021-10-25T19:26:29Z)
• Nondiagonal Mixture of Dirichlet Network Distributions for Analyzing a Stock Ownership Network [3.0969191504482243]
  ブロックモデリングは複雑なネットワークの研究で広く使われている。 基本特徴を組み込んだエッジ交換可能なブロックモデルを提供し、同時に複素ネットワークの潜在ブロック構造を推定する。 我々のモデルはベイズ非パラメトリックモデルであり、ブロックの数を柔軟に推定し、目に見えないノードの可能性を考慮している。
  論文  参考訳（メタデータ） (2020-09-08T05:56:10Z)
• From Boltzmann Machines to Neural Networks and Back Again [31.613544605376624]
  制限ボルツマンマシン(Restricted Boltzmann Machines)は、おそらく最もよく研究されている潜在変数モデルのクラスである。 我々の結果は、$ell_infty$bounded inputの下で二層ニューラルネットワークを学習するための新しい接続に基づいている。 次に,分散仮定を使わずに,関連するネットワークのクラスに対して可能なものよりも,より優れたランタイムで教師付きRAMの自然なクラスを学習するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-25T00:42:50Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。