論文の概要: Constructing transient amplifiers for death-Birth updating: A case study
of cubic and quartic regular graphs
- arxiv url: http://arxiv.org/abs/2008.01446v1
- Date: Tue, 4 Aug 2020 10:37:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 00:24:26.045749
- Title: Constructing transient amplifiers for death-Birth updating: A case study
of cubic and quartic regular graphs
- Title（参考訳）: 死線更新のための過渡増幅器の構成:立方および四次正則グラフのケーススタディ
- Authors: Hendrik Richter
- Abstract要約: いくつかの構造化ネットワークは過渡増幅器である。
特定の適合度は、十分に混合された個体群と比較して、有益変異の固定確率を増大させる。
本稿では,死線更新のための過渡増幅器を同定するための摂動法について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A central question of evolutionary dynamics on graphs is whether or not a
mutation introduced in a population of residents survives and eventually even
spreads to the whole population, or gets extinct. The outcome naturally depends
on the fitness of the mutant and the rules by which mutants and residents may
propagate on the network, but arguably the most determining factor is the
network structure. Some structured networks are transient amplifiers. They
increase for a certain fitness range the fixation probability of beneficial
mutations as compared to a well-mixed population. We study a perturbation
methods for identifying transient amplifiers for death-Birth updating. The
method includes calculating the coalescence times of random walks on graphs and
finding the vertex with the largest remeeting time. If the graph is perturbed
by removing an edge from this vertex, there is a certain likelihood that the
resulting perturbed graph is a transient amplifier. We test all pairwise
nonisomorphic cubic and quartic regular graphs up to a certain size and thus
cover the whole structural range expressible by these graphs. We carry out a
spectral analysis and show that the graphs from which the transient amplifiers
can be constructed share certain structural properties. The graphs are
path-like, have low conductance and are rather easy to divide into subgraphs by
removing edges and/or vertices. This is connected with the subgraphs being
identical (or almost identical) building blocks and the frequent occurrence of
cut and/or hinge vertices. Identifying spectral and structural properties may
promote finding and designing such networks.
- Abstract（参考訳）: グラフにおける進化力学の中心的な問題は、住民の集団で導入された突然変異が生き残り、最終的に全人口に広まるか、絶滅するかである。
結果は自然に変異体の適合度と、変異体や住民がネットワーク上で伝播する可能性のある規則に依存するが、最も決定的な要因はネットワーク構造であることは間違いない。
いくつかの構造化ネットワークは過渡増幅器である。
特定の適合度は、十分に混合された個体群と比較して、有益変異の固定確率が増加する。
出生時更新のための過渡増幅器を同定するための摂動法について検討した。
この方法は、グラフ上のランダムウォークの合体時間を計算し、最大のリメット時間で頂点を見つけることを含む。
この頂点から辺を取り除くことでグラフが摂動するならば、結果として生じる摂動グラフが過渡増幅器である可能性はある。
すべてのペアワイズ非同型立方体および四次正則グラフを一定の大きさまでテストし、したがってこれらのグラフで表現できる構造範囲全体をカバーする。
スペクトル解析を行い、過渡増幅器を構築可能なグラフが特定の構造特性を共有していることを示す。
グラフはパス状であり、コンダクタンスが低く、エッジや頂点を取り除くことでサブグラフに分割するのが比較的容易である。
これは、同一(またはほぼ同一)のビルディングブロックである部分グラフと、カットおよび/またはヒンジ頂点が頻繁に発生する部分グラフと接続される。
スペクトルと構造特性の同定はそのようなネットワークの発見と設計を促進する可能性がある。
関連論文リスト
- Graph Generation via Spectral Diffusion [51.60814773299899]
本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。
具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。
我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
論文 参考訳（メタデータ） (2024-02-29T09:26:46Z) - Learning to Approximate Adaptive Kernel Convolution on Graphs [4.434835769977399]
本稿では,拡散カーネルのスケールによって特徴集約の範囲を制御できる拡散学習フレームワークを提案する。
本モデルは,最先端データセットの性能評価のためのノードワイズ分類のための様々な標準で検証されている。
グラフ分類のための実世界の脳ネットワークデータにも検証され、アルツハイマー分類の実用性を実証している。
論文 参考訳（メタデータ） (2024-01-22T10:57:11Z) - Gramformer: Learning Crowd Counting via Graph-Modulated Transformer [68.26599222077466]
Gramformerはグラフ変調変換器で、それぞれ注意点と入力ノードの特徴を調整してネットワークを強化する。
ノードの集中位置や重要性を発見するために,特徴に基づく符号化を提案する。
提案手法の競争性を検証した4つの挑戦的群集カウントデータセットの実験を行った。
論文 参考訳（メタデータ） (2024-01-08T13:01:54Z) - ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。
第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。
次の段階では、デコーダは元のグラフで検出するために再訓練される。
論文 参考訳（メタデータ） (2023-12-22T09:02:01Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Geometric Graph Filters and Neural Networks: Limit Properties and
Discriminability Trade-offs [122.06927400759021]
本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。
これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
論文 参考訳（メタデータ） (2023-05-29T08:27:17Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳（メタデータ） (2023-02-06T16:26:29Z) - FoSR: First-order spectral rewiring for addressing oversquashing in GNNs [0.0]
グラフニューラルネットワーク(GNN)は、グラフのエッジに沿ってメッセージを渡すことによって、グラフデータの構造を活用することができる。
本稿では,グラフにエッジを体系的に付加することで過疎化を防止する計算効率のよいアルゴリズムを提案する。
提案アルゴリズムは,いくつかのグラフ分類タスクにおいて,既存のグラフリウィリング手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-10-21T07:58:03Z) - Understanding convolution on graphs via energies [23.18124653469668]
グラフネットワーク(GNN)は一般的にメッセージパッシングによって動作し、隣人から受信した情報に基づいてノードの状態が更新される。
ほとんどのメッセージパッシングモデルはグラフ畳み込みとして機能し、エッジ上に伝播する前に共有された線形変換によって特徴が混合される。
ノード分類タスクでは、グラフの畳み込みには2つの制限がある。
論文 参考訳（メタデータ） (2022-06-22T11:45:36Z) - Capturing Graphs with Hypo-Elliptic Diffusions [7.704064306361941]
ランダムウォークの分布はグラフラプラシアンを用いて定義された拡散方程式に従って進化することを示す。
この結果、テンソル値のグラフ作用素が新しくなり、これは下楕円グラフラプラシアン (Laplacian) と呼ばれる。
本手法は,長距離推論を必要とするデータセット上のグラフ変換器と競合するが,エッジ数では線形にしかスケールしないことを示す。
論文 参考訳（メタデータ） (2022-05-27T16:47:34Z) - Key graph properties affecting transport efficiency of flip-flop Grover
percolated quantum walks [0.0]
我々はフリップフロップシフト演算子とグローバーコインを用いて量子ウォークを研究する。
源の位置と沈み方とグラフ幾何とその修正が輸送にどのように影響するかを示す。
これにより、デッドエンドのサブグラフの伸長や追加が驚くほど輸送を増強するプロセスに関する深い洞察が得られます。
論文 参考訳（メタデータ） (2022-02-19T11:55:21Z)
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。