論文の概要: Community recovery in non-binary and temporal stochastic block models
- arxiv url: http://arxiv.org/abs/2008.04790v5
- Date: Tue, 30 Aug 2022 09:15:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 12:40:06.051368
- Title: Community recovery in non-binary and temporal stochastic block models
- Title(参考訳): 非バイナリおよび時間確率ブロックモデルにおけるコミュニティリカバリ
- Authors: Konstantin Avrachenkov, Maximilien Dreveton, Lasse Leskel\"a
- Abstract要約: 本稿では,N$ノードのネットワークにおけるペアインタラクションから潜在コミュニティメンバシップを推定する。
一般に測定可能な相互作用空間を$mathcal S$で割ったブロックモデルを導入し、最小到達可能な誤差率に対する情報理論境界を導出する。
また、観測データの非バイナリ性を完全に活用する高速オンライン推定アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 0.17188280334580194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article studies the estimation of latent community memberships from
pairwise interactions in a network of $N$ nodes, where the observed
interactions can be of arbitrary type, including binary, categorical, and
vector-valued, and not excluding even more general objects such as time series
or spatial point patterns. As a generative model for such data, we introduce a
stochastic block model with a general measurable interaction space $\mathcal
S$, for which we derive information-theoretic bounds for the minimum achievable
error rate. These bounds yield sharp criteria for the existence of consistent
and strongly consistent estimators in terms of data sparsity, statistical
similarity between intra- and inter-block interaction distributions, and the
shape and size of the interaction space. The general framework makes it
possible to study temporal and multiplex networks with $\mathcal S =
\{0,1\}^T$, in settings where both $N \to \infty$ and $T \to \infty$, and the
temporal interaction patterns are correlated over time. For temporal Markov
interactions, we derive sharp consistency thresholds. We also present fast
online estimation algorithms which fully utilise the non-binary nature of the
observed data. Numerical experiments on synthetic and real data show that these
algorithms rapidly produce accurate estimates even for very sparse data arrays.
- Abstract(参考訳): 本稿では,N$ノードのネットワークにおける相互相互作用から潜在コミュニティメンバシップの推定について検討する。そこでは,観測された相互作用を,時系列や空間点パターンなどのより一般的なオブジェクトを除外することなく,バイナリ,カテゴリ,ベクトル値を含む任意の型にすることができる。
このようなデータの生成モデルとして、最小到達可能な誤差率の情報理論境界を導出する一般的な可測相互作用空間 $\mathcal s$ を持つ確率的ブロックモデルを導入する。
これらの境界は、データのスパーシティ、ブロック内相互作用分布とブロック間相互作用分布の統計的類似性、相互作用空間の形状と大きさの観点から、一貫性と強い一貫性のある推定子の存在に対する鋭い基準を与える。
一般的なフレームワークは、$N \to \infty$と$T \to \infty$の両方が時間とともに相関する設定において、$\mathcal S = \{0,1\}^T$で時間的および多重ネットワークを研究することができる。
時間的マルコフ相互作用に対しては、鋭い一貫性閾値を導出する。
また,観測データの非バイナリ性を完全に活用する高速オンライン推定アルゴリズムを提案する。
合成データと実データに関する数値実験は、非常にスパースなデータ配列であっても、これらのアルゴリズムが迅速に正確な推定を生成することを示している。
関連論文リスト
- Graph-based Forecasting with Missing Data through Spatiotemporal
Downsampling [27.388194667651465]
時系列間の関係をグラフとして表現することで、時空間グラフニューラルネットワークは印象的な結果を得る。
既存のほとんどのメソッドは、入力が常に利用可能であり、データの一部が欠落しているときに隠れたダイナミクスをキャプチャできないという、しばしば非現実的な仮定に依存しています。
論文 参考訳(メタデータ) (2024-02-16T12:33:31Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Neural Likelihood Approximation for Integer Valued Time Series Data [0.0]
因果畳み込みを用いた整数時系列データに対するニューラルチャンス近似を構築した。
本手法は,多くの生態学的および疫学的モデルを用いて推定を行うことにより実証する。
論文 参考訳(メタデータ) (2023-10-19T07:51:39Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳(メタデータ) (2023-05-11T10:30:35Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - INCREASE: Inductive Graph Representation Learning for Spatio-Temporal
Kriging [35.193756288996944]
SRU-temporal kriging は Web や Internet of Things のような Web やソーシャルアプリケーションにおいて重要な問題である。
クリグのための新しい帰納的グラフ表現学習モデルを提案する。
論文 参考訳(メタデータ) (2023-02-06T12:28:35Z) - Interpretable Additive Recurrent Neural Networks For Multivariate
Clinical Time Series [4.125698836261585]
本稿では,モデル内の変数間の関係を加法的に強制することで,モデルの複雑性と精度のバランスをとるInterpretable-RNN(I-RNN)を提案する。
I-RNNは、時間内に不均一にサンプリングされ、非同期に取得され、データが欠落している臨床時系列の特徴を特に捉えている。
本研究は,院内死亡率予測のためのPhysoronet 2012 ChallengeデータセットのI-RNNモデルと,集中治療室における血行動態の介入を予測するリアルな臨床診断支援タスクについて評価する。
論文 参考訳(メタデータ) (2021-09-15T22:30:19Z) - Spatially relaxed inference on high-dimensional linear models [48.989769153211995]
本研究では,空間的に制約されたクラスタリング,統計的推論,アンサンブルを組み合わせ,複数のクラスタリング推論解を集約するアンサンブルクラスタリング推論アルゴリズムの特性について検討する。
アンサンブルクラスタ推論アルゴリズムは,最大クラスター径に等しい$delta$-FWERの標準仮定で$delta$-FWERを制御することを示す。
論文 参考訳(メタデータ) (2021-06-04T16:37:19Z) - OR-Net: Pointwise Relational Inference for Data Completion under Partial
Observation [51.083573770706636]
この作業はリレーショナル推論を使って不完全なデータを埋めます。
本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
論文 参考訳(メタデータ) (2021-05-02T06:05:54Z) - Learning interaction kernels in stochastic systems of interacting
particles from multiple trajectories [13.3638879601361]
相互作用する粒子やエージェントのシステムと、相互作用カーネルによって決定されるダイナミクスを考察する。
正規化極大推定器に基づく逆問題に対する非パラメトリック推論手法を提案する。
相関条件により,この問題の条件数を制御し,推定器の整合性を証明することができることを示す。
論文 参考訳(メタデータ) (2020-07-30T01:28:06Z)
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。