論文の概要: Community models for networks observed through edge nominations
- arxiv url: http://arxiv.org/abs/2008.03652v2
- Date: Fri, 19 Mar 2021 03:25:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 04:35:02.384082
- Title: Community models for networks observed through edge nominations
- Title（参考訳）: エッジ候補によるネットワークのコミュニティモデル
- Authors: Tianxi Li, Elizaveta Levina, Ji Zhu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.442024233731203
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Communities are a common and widely studied structure in networks, typically
under the assumption that the network is fully and correctly observed. In
practice, network data are often collected by querying nodes about their
connections. In some settings, all edges of a sampled node will be recorded,
and in others, a node may be asked to name its connections. These sampling
mechanisms introduce noise and bias which can obscure the community structure
and invalidate assumptions underlying standard community detection methods. We
propose a general model for a class of network sampling mechanisms based on
recording edges via querying nodes, designed to improve community detection for
network data collected in this fashion. We model edge sampling probabilities as
a function of both individual preferences and community parameters, and show
community detection can be performed by spectral clustering under this general
class of models. We also propose, as a special case of the general framework, a
parametric model for directed networks we call the nomination stochastic block
model, which allows for meaningful parameter interpretations and can be fitted
by the method of moments. Both spectral clustering and the method of moments in
this case are computationally efficient and come with theoretical guarantees of
consistency. We evaluate the proposed model in simulation studies on both
unweighted and weighted networks and apply it to a faculty hiring dataset,
discovering a meaningful hierarchy of communities among US business schools.
- Abstract（参考訳）: 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、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下では一般的である。
実際には、ネットワークデータは接続についてノードに問い合わせることで収集されることが多い。
ある設定では、サンプリングされたノードのすべてのエッジが記録され、別の設定では、ノードにその接続名を付けるように要求される。
これらのサンプリングメカニズムは、コミュニティ構造を曖昧にし、標準コミュニティ検出手法に基づく仮定を無効にするノイズとバイアスをもたらす。
このような方法で収集されたネットワークデータのコミュニティ検出を改善するために,クエリノードを介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。
本研究では,個々の嗜好とコミュニティパラメータの両方の関数としてエッジサンプリング確率をモデル化し,一般モデルのスペクトルクラスタリングによってコミュニティ検出を行うことを示す。
また、一般的なフレームワークの特殊な場合として、モーメントの手法により、意味のあるパラメータの解釈を可能にする有向確率ブロックモデルと呼ばれる有向ネットワークのパラメトリックモデルを提案する。
この場合のスペクトルクラスタリングとモーメント法はともに計算効率が高く、一貫性を理論的に保証する。
非重み付きネットワークと重み付きネットワークのシミュレーション研究において提案モデルを評価し,米国のビジネススクールにおける有意義なコミュニティ階層を見出し,教員採用データセットに適用する。
関連論文リスト
- Nested stochastic block model for simultaneously clustering networks and
nodes [9.860884833526407]
ネットワークの集合をクラスタ化すると同時に,各ネットワーク内のコミュニティを同時に検出するために,ネストブロックモデル(NSBM)を導入する。
NSBMには、潜在的に異なるノードセットを持つ未ラベルネットワークで動作する機能など、いくつかの魅力的な機能がある。
論文 参考訳（メタデータ） (2023-07-18T12:46:34Z) - Joint Bayesian Inference of Graphical Structure and Parameters with a
Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。
サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。
パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文 参考訳（メタデータ） (2023-05-30T19:16:44Z) - Numerically assisted determination of local models in network scenarios [55.2480439325792]
統計的振る舞いを再現する明示的な局所モデルを見つけるための数値ツールを開発する。
グリーンベルガー・ホルン・ザイリンガー(GHZ)およびW分布の臨界振動性に関する予想を提供する。
開発されたコードとドキュメントは、281.com/mariofilho/localmodelsで公開されている。
論文 参考訳（メタデータ） (2023-03-17T13:24:04Z) - A pseudo-likelihood approach to community detection in weighted networks [4.111899441919165]
本研究では,通常分布するエッジ重みを持つネットワークに対して,擬似的なコミュニティ推定アルゴリズムを提案する。
提案手法により得られた推定値が均質ネットワークの仮定の下で一貫したものであることを証明した。
シミュレーションネットワークとfMRIデータセットで、エッジウェイトは脳領域間の接続を表現している。
論文 参考訳（メタデータ） (2023-03-10T13:36:10Z) - Fitting Low-rank Models on Egocentrically Sampled Partial Networks [4.111899441919165]
本稿では,egocentricly sampled network に対する一般的な低ランクモデルに適合する手法を提案する。
この手法は、エゴセントリックな部分的ネットワーク推定に関する最初の理論的保証を提供する。
本手法を複数の合成および実世界のネットワーク上で評価し,リンク予測タスクにおいて競合性能を実現することを示す。
論文 参考訳（メタデータ） (2023-03-09T03:20:44Z) - 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) - Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。
近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。
DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文 参考訳（メタデータ） (2022-02-28T15:53:10Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Amortized Probabilistic Detection of Communities in Graphs [49.46170819501234]
そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。
我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。
我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
論文 参考訳（メタデータ） (2020-10-29T16:18:48Z) - 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) - Network Clustering Via Kernel-ARMA Modeling and the Grassmannian The
Brain-Network Case [6.78543866474958]
本稿では,時系列データにアノテートしたノードを持つネットワークを対象としたクラスタリングフレームワークを提案する。
このフレームワークは、状態クラスタリング、状態内のノードクラスタリング、サブネットワーク-状態系列の識別/追跡など、あらゆるタイプのネットワーククラスタリング問題に対処する。
論文 参考訳（メタデータ） (2020-02-18T19:48:38Z)
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。