論文の概要: Online Estimation and Community Detection of Network Point Processes for
Event Streams
- arxiv url: http://arxiv.org/abs/2009.01742v3
- Date: Thu, 26 Oct 2023 17:51:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-28 07:25:39.605111
- Title: Online Estimation and Community Detection of Network Point Processes for
Event Streams
- Title（参考訳）: イベントストリームのためのネットワークポイントプロセスのオンライン推定とコミュニティ検出
- Authors: Guanhua Fang and Owen G. Ward and Tian Zheng
- Abstract要約: ネットワークモデリングにおける共通のゴールは、ノード間に存在する潜在コミュニティ構造を明らかにすることである。
本稿では,ネットワーク上の動的イベント到着に基づく潜在構造を推定する高速なオンライン変分推定アルゴリズムを提案する。
オンライン推論は、コミュニティリカバリの観点から、オンライン以外の変種に匹敵する性能が得られることを実証する。
- 参考スコア（独自算出の注目度）: 12.211623200731788
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A common goal in network modeling is to uncover the latent community
structure present among nodes. For many real-world networks, the true
connections consist of events arriving as streams, which are then aggregated to
form edges, ignoring the dynamic temporal component. A natural way to take
account of these temporal dynamics of interactions is to use point processes as
the foundation of network models for community detection. Computational
complexity hampers the scalability of such approaches to large sparse networks.
To circumvent this challenge, we propose a fast online variational inference
algorithm for estimating the latent structure underlying dynamic event arrivals
on a network, using continuous-time point process latent network models. We
describe this procedure for networks models capturing community structure. This
structure can be learned as new events are observed on the network, updating
the inferred community assignments. We investigate the theoretical properties
of such an inference scheme, and provide regret bounds on the loss function of
this procedure. The proposed inference procedure is then thoroughly compared,
using both simulation studies and real data, to non-online variants. We
demonstrate that online inference can obtain comparable performance, in terms
of community recovery, to non-online variants, while realising computational
gains. Our proposed inference framework can also be readily modified to
incorporate other popular network structures.
- Abstract（参考訳）: ネットワークモデリングにおける共通の目標は、ノード間に存在する潜在コミュニティ構造を明らかにすることである。
多くの実世界のネットワークでは、真の接続はストリームとして到着するイベントから成り、それを集約してエッジを形成し、動的テンポラリコンポーネントを無視する。
これらの相互作用の時間的ダイナミクスを考慮に入れる自然な方法は、ネットワークモデルの基礎としてポイントプロセスを使用することである。
計算複雑性は、そのようなアプローチの大規模スパースネットワークへのスケーラビリティを阻害する。
この課題を回避するために,ネットワーク上の動的イベント到着に基づく潜時構造を連続時間プロセス潜時ネットワークモデルを用いて推定する高速オンライン変分推定アルゴリズムを提案する。
本稿では,コミュニティ構造を捉えるネットワークモデルについて述べる。
この構造は、ネットワーク上で新しいイベントが観測され、推測されたコミュニティ割り当てが更新されるときに学習することができる。
このような推論スキームの理論的性質を調査し、この手順の損失関数に対する後悔の限界を与える。
提案手法は、シミュレーション研究と実データの両方を用いて、非オンライン変種と徹底的に比較される。
オンライン推論によって,非オンライン型に対するコミュニティリカバリと同等のパフォーマンスが得られると同時に,計算能力の向上が実現可能であることを実証した。
提案する推論フレームワークは,他の一般的なネットワーク構造を組み込むために容易に修正できる。
関連論文リスト
- Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳（メタデータ） (2023-10-05T21:44:18Z) - DANI: Fast Diffusion Aware Network Inference with Preserving Topological
Structure Property [2.8948274245812327]
そこで我々は,DANIと呼ばれる新しい手法を提案し,その構造特性を保ちながら基礎となるネットワークを推定する。
DANIは、モジュール構造、次数分布、連結成分、密度、クラスタリング係数を含む構造特性を維持しながら、より高い精度と低い実行時間を有する。
論文 参考訳（メタデータ） (2023-10-02T23:23:00Z) - Generalization and Estimation Error Bounds for Model-based Neural
Networks [78.88759757988761]
スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。
我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
論文 参考訳（メタデータ） (2023-04-19T16:39:44Z) - Backpropagation on Dynamical Networks [0.0]
本稿では,リカレントニューラルネットワークのトレーニングによく使用されるBPTTアルゴリズムに基づくネットワーク推論手法を提案する。
局所ノードダイナミクスの近似は、まずニューラルネットワークを用いて構築される。
得られた局所モデルと重み付けによるフリーラン予測性能は、真のシステムに匹敵することがわかった。
論文 参考訳（メタデータ） (2022-07-07T05:22:44Z) - Latent Network Embedding via Adversarial Auto-encoders [15.656374849760734]
本稿では,逆グラフ自動エンコーダに基づく潜在ネットワーク埋め込みモデルを提案する。
この枠組みの下では、潜伏構造を発見する問題は、部分的な観測から潜伏関係を推測するものとして定式化されている。
論文 参考訳（メタデータ） (2021-09-30T16:49:46Z) - Mitigating Performance Saturation in Neural Marked Point Processes:
Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。
我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2021-07-07T16:59:14Z) - Network Embedding via Deep Prediction Model [25.727377978617465]
本稿では,深層予測モデルを用いて構造化ネットワーク上での転送挙動を捕捉するネットワーク埋め込みフレームワークを提案する。
ネットワーク構造埋め込み層は、Long Short-Term Memory NetworkやRecurrent Neural Networkなど、従来の深部予測モデルに付加される。
ソーシャルネットワーク, 引用ネットワーク, バイオメディカルネットワーク, 協調ネットワーク, 言語ネットワークなど, さまざまなデータセットについて実験を行った。
論文 参考訳（メタデータ） (2021-04-27T16:56:00Z) - 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) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳（メタデータ） (2020-09-15T00:16:12Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z) - Link Prediction for Temporally Consistent Networks [6.981204218036187]
リンク予測は、動的ネットワークにおける次の関係を推定する。
動的に進化するネットワークを表現するための隣接行列の使用は、異種、スパース、またはネットワーク形成から解析的に学習する能力を制限する。
時間的パラメータ化ネットワークモデルとして不均一な時間進化活動を表現する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-06-06T07:28:03Z)
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。