論文の概要: Nondiagonal Mixture of Dirichlet Network Distributions for Analyzing a
Stock Ownership Network
- arxiv url: http://arxiv.org/abs/2009.04446v2
- Date: Sun, 1 Nov 2020 12:10:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 21:03:34.297288
- Title: Nondiagonal Mixture of Dirichlet Network Distributions for Analyzing a
Stock Ownership Network
- Title（参考訳）: 株式保有ネットワーク解析のためのディリクレネットワーク分布の非対角混合
- Authors: Wenning Zhang, Ryohei Hisano, Takaaki Ohnishi, Takayuki Mizuno
- Abstract要約: ブロックモデリングは複雑なネットワークの研究で広く使われている。
基本特徴を組み込んだエッジ交換可能なブロックモデルを提供し、同時に複素ネットワークの潜在ブロック構造を推定する。
我々のモデルはベイズ非パラメトリックモデルであり、ブロックの数を柔軟に推定し、目に見えないノードの可能性を考慮している。
- 参考スコア（独自算出の注目度）: 3.0969191504482243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Block modeling is widely used in studies on complex networks. The cornerstone
model is the stochastic block model (SBM), widely used over the past decades.
However, the SBM is limited in analyzing complex networks as the model is, in
essence, a random graph model that cannot reproduce the basic properties of
many complex networks, such as sparsity and heavy-tailed degree distribution.
In this paper, we provide an edge exchangeable block model that incorporates
such basic features and simultaneously infers the latent block structure of a
given complex network. Our model is a Bayesian nonparametric model that
flexibly estimates the number of blocks and takes into account the possibility
of unseen nodes. Using one synthetic dataset and one real-world stock ownership
dataset, we show that our model outperforms state-of-the-art SBMs for held-out
link prediction tasks.
- Abstract（参考訳）: ブロックモデリングは複雑なネットワークの研究で広く使われている。
グラインドストーンモデルは確率ブロックモデル(SBM)であり、過去数十年にわたって広く使われている。
しかし、SBMは、モデルが本質的には、スパーシリティや重み付き次数分布のような多くの複雑なネットワークの基本特性を再現できないランダムグラフモデルであるため、複雑なネットワークの分析に限られている。
本稿では,そのような基本特徴を組み込んだエッジ交換可能なブロックモデルを提案し,同時に複素ネットワークの潜在ブロック構造を推定する。
本モデルは,ブロック数を柔軟に推定し,未知ノードの可能性を考慮したベイズ非パラメトリックモデルである。
1つの合成データセットと1つの実世界のストックオーナシップデータセットを用いて、我々のモデルは、保留リンク予測タスクにおいて最先端のSBMよりも優れていることを示す。
関連論文リスト
- SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。
私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。
アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文 参考訳（メタデータ） (2024-09-30T17:59:03Z) - Vertical Layering of Quantized Neural Networks for Heterogeneous
Inference [57.42762335081385]
量子化モデル全体を1つのモデルにカプセル化するための,ニューラルネットワーク重みの新しい垂直層表現について検討する。
理論的には、1つのモデルのトレーニングとメンテナンスのみを必要としながら、オンデマンドサービスの正確なネットワークを達成できます。
論文 参考訳（メタデータ） (2022-12-10T15:57:38Z) - Parameter-Efficient Masking Networks [61.43995077575439]
先進的なネットワーク設計は、しばしば多数の繰り返し構造を含む(例: Transformer)。
本研究では,マスクの学習により,一意値に制限された固定ランダムウェイトの代表的ポテンシャルについて検討する。
これはモデル圧縮のための新しいパラダイムをもたらし、モデルサイズを減少させます。
論文 参考訳（メタデータ） (2022-10-13T03:39:03Z) - The Multivariate Community Hawkes Model for Dependent Relational Events
in Continuous-time Networks [3.55528500800612]
ブロックモデル(SBM)は、ネットワークデータのための最も広く使われている生成モデルの一つである。
本稿では,マルチ変数コミュニティホークス(MULCH)モデルを提案する。
提案したMULCHモデルは,予測および予測生成タスクにおいて,既存のモデルよりもはるかに正確であることがわかった。
論文 参考訳（メタデータ） (2022-05-02T04:08:44Z) - Multiblock-Networks: A Neural Network Analog to Component Based Methods
for Multi-Source Data [0.0]
本稿では,コンポーネントベース統計モデルの概念をニューラルネットワークアーキテクチャに転送する手法を提案する。
これにより、ニューラルネットワークの柔軟性と、マルチブロック手法におけるブロック関連性を解釈する概念を組み合わせる。
この結果から,通常のフィードフォワードニューラルネットワークの性能に適合しながら,マルチブロックネットワークが基本モデル解釈を可能にしたことが示唆された。
論文 参考訳（メタデータ） (2021-09-21T16:00:15Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Tractably Modelling Dependence in Networks Beyond Exchangeability [0.0]
本研究では, ネットワークの推定, クラスタリング, 次数挙動について検討する。
このことは、一般的には交換不能なネットワークデータをブロックモデルで記述できる理由と方法を探る。
論文 参考訳（メタデータ） (2020-07-28T17:13:59Z) - 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) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳（メタデータ） (2020-03-13T13:11:35Z) - Struct-MMSB: Mixed Membership Stochastic Blockmodels with Interpretable
Structured Priors [13.712395104755783]
混合メンバシップブロックモデル(MMSB)は、コミュニティ検出とネットワーク生成のための一般的なフレームワークである。
最近開発された統計リレーショナル学習モデルであるヒンジロスマルコフ確率場(HL-MRF)を用いた柔軟なMMSBモデル、textitStruct-MMSBを提案する。
我々のモデルは、観測された特徴と会員分布の複雑な組み合わせとして符号化された有意義な潜伏変数を用いて、実世界のネットワークにおける潜伏特性を学習することができる。
論文 参考訳（メタデータ） (2020-02-21T19:32:32Z) - Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。
また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
論文 参考訳（メタデータ） (2020-02-20T15:43:02Z)
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。