論文の概要: Extended Stochastic Block Models with Application to Criminal Networks

• arxiv url: http://arxiv.org/abs/2007.08569v4
• Date: Mon, 4 Apr 2022 13:26:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 00:00:23.945731
• Title: Extended Stochastic Block Models with Application to Criminal Networks
• Title（参考訳）: 拡張確率ブロックモデルと犯罪ネットワークへの応用
• Authors: Sirio Legramanti, Tommaso Rigon, Daniele Durante and David B. Dunson
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.2211782521637393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliably learning group structures among nodes in network data is challenging in several applications. We are particularly motivated by studying covert networks that encode relationships among criminals. These data are subject to measurement errors, and exhibit a complex combination of an unknown number of core-periphery, assortative and disassortative structures that may unveil key architectures of the criminal organization. The coexistence of these noisy block patterns limits the reliability of routinely-used community detection algorithms, and requires extensions of model-based solutions to realistically characterize the node partition process, incorporate information from node attributes, and provide improved strategies for estimation and uncertainty quantification. To cover these gaps, we develop a new class of extended stochastic block models (ESBM) that infer groups of nodes having common connectivity patterns via Gibbs-type priors on the partition process. This choice encompasses many realistic priors for criminal networks, covering solutions with fixed, random and infinite number of possible groups, and facilitates the inclusion of node attributes in a principled manner. Among the new alternatives in our class, we focus on the Gnedin process as a realistic prior that allows the number of groups to be finite, random and subject to a reinforcement process coherent with criminal networks. A collapsed Gibbs sampler is proposed for the whole ESBM class, and refined strategies for estimation, prediction, uncertainty quantification and model selection are outlined. The ESBM performance is illustrated in realistic simulations and in an application to an Italian mafia network, where we unveil key complex block structures, mostly hidden from state-of-the-art alternatives.
• Abstract（参考訳）: ネットワークデータ中のノード間のグループ構造を確実に学習することは、いくつかのアプリケーションでは難しい。 私たちは特に、犯罪者間の関係を符号化する隠蔽ネットワークの研究に動機付けられています。 これらのデータは測定エラーの対象となり、犯罪組織の重要なアーキテクチャを明らかにする可能性のある、未知のコア周辺、代替的、非代替的な構造の複雑な組み合わせを示す。 これらの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し、ノード分割プロセスを現実的に特徴づけるモデルベースのソリューションの拡張、ノード属性からの情報の統合、推定と不確実性の定量化のための改善戦略を提供する。 これらのギャップをカバーするため、分割プロセス上でギブズ型プリエントを介して共通接続パターンを持つノード群を推論する拡張確率ブロックモデル(ESBM)を新たに開発した。 この選択は、犯罪者ネットワークの多くの現実的な優先事項を包含し、可能なグループの固定、ランダム、無限の数の解をカバーし、ノード属性を原則的に含むことを促進する。 我々のクラスにおける新しい選択肢の1つとして、グループは有限でランダムで、犯罪ネットワークと一貫性のある強化プロセスに従うことができる現実的な事前として、gnedinプロセスに焦点を当てています。 ESBM クラス全体に対して崩壊した Gibbs サンプルが提案され,推定,予測,不確実性定量化,モデル選択のための洗練された戦略が概説されている。 ESBMのパフォーマンスは、現実的なシミュレーションやイタリアのマフィアネットワークへの応用で説明されています。

関連論文リスト

• Implicit models, latent compression, intrinsic biases, and cheap lunches in community detection [0.0]
  コミュニティ検出は、ネットワークをノードのクラスタに分割して、その大規模な構造を要約することを目的としている。 いくつかのコミュニティ検出手法は、確率的生成モデルを通じてクラスタリングの目的を明示的に導出する。 他の方法は記述的であり、特定のアプリケーションによって動機付けられた目的に応じてネットワークを分割する。 本稿では,コミュニティ検出対象,推論対象,記述対象とそれに対応する暗黙的ネットワーク生成モデルとを関連付けるソリューションを提案する。
  論文  参考訳（メタデータ） (2022-10-17T15:38:41Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• 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)
• Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
  クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。 本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。 ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
  論文  参考訳（メタデータ） (2021-12-03T14:23:05Z)
• Community models for networks observed through edge nominations [6.442024233731203]
  コミュニティはネットワークにおいて一般的で広く研究されている構造であり、一般的にはネットワークが完全に正しく観察されているという仮定のもとである。 問合せノードを経由したエッジの記録に基づく,ネットワークサンプリング機構のクラスに対する汎用モデルを提案する。 一般モデルに基づくスペクトルクラスタリングにより,コミュニティ検出が可能であることを示す。
  論文  参考訳（メタデータ） (2020-08-09T04:53:13Z)
• 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)
• A general framework for defining and optimizing robustness [74.67016173858497]
  分類器の様々な種類の堅牢性を定義するための厳密でフレキシブルなフレームワークを提案する。 我々の概念は、分類器の堅牢性は正確性とは無関係な性質と考えるべきであるという仮定に基づいている。 我々は,任意の分類モデルに適用可能な,非常に一般的なロバスト性フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-06-19T13:24:20Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)
• Consistency of Spectral Clustering on Hierarchical Stochastic Block Models [5.983753938303726]
  実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。 本手法の強い一貫性を,幅広いモデルパラメータで証明する。 既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
  論文  参考訳（メタデータ） (2020-04-30T01:08:59Z)
• 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)
• Seismic horizon detection with neural networks [62.997667081978825]
  本稿では,複数の実地震立方体上での地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。 本研究の主な貢献は,複数実地震立方体における地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
  論文  参考訳（メタデータ） (2020-01-10T11:30:50Z)

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。