論文の概要: Detecci\'on de comunidades en redes: Algoritmos y aplicaciones
- arxiv url: http://arxiv.org/abs/2009.08390v1
- Date: Tue, 15 Sep 2020 00:18:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 05:47:46.903390
- Title: Detecci\'on de comunidades en redes: Algoritmos y aplicaciones
- Title（参考訳）: Detecci\'on de comunidades en redes: Algoritmos y aplicaciones
- Authors: Julio Omar Palacio Ni\~no
- Abstract要約: この修士論文は,ネットワーク内のコミュニティを検出する手法を解析することを目的としている。
まず,グラフ理論とコミュニティの主な特徴と,この問題における共通測度について考察する。
地域社会を検知し,その特徴と計算複雑性を考慮し,分類を開発するための主要な手法を概観した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This master's thesis work has the objective of performing an analysis of the
methods for detecting communities in networks. As an initial part, I study of
the main features of graph theory and communities, as well as common measures
in this problem. Subsequently, I was performed a review of the main methods of
detecting communities, developing a classification, taking into account its
characteristics and computational complexity for the detection of strengths and
weaknesses in the methods, as well as later works. Then, study the problem of
classification of a clustering method, this in order to evaluate the quality of
the communities detected by analyzing different measures. Finally conclusions
are elaborated and possible lines of work that can be derived.
- Abstract（参考訳）: この修士論文は,ネットワーク内のコミュニティを検出する手法を解析することを目的としている。
はじめに、私はグラフ理論とコミュニティの主な特徴とこの問題における一般的な尺度について研究しました。
続いて, コミュニティの検出, 分類, その特徴と計算の複雑さを考慮に入れて, コミュニティの強弱, 弱弱を検出するための主な手法のレビューを行った。
次に, クラスタリング手法の分類問題について検討し, 異なる尺度を解析して検出したコミュニティの質を評価する。
最後に、結論は詳しく述べられ、導出できる仕事のラインが考えられる。
関連論文リスト
- Enhancing Community Detection in Networks: A Comparative Analysis of Local Metrics and Hierarchical Algorithms [49.1574468325115]
本研究は,地域間類似度指標を用いた地域検出の関連性を評価するために,同じ手法を用いている。
これらの指標の有効性は,異なるコミュニティサイズを持つ複数の実ネットワークにベースアルゴリズムを適用して評価した。
論文 参考訳（メタデータ） (2024-08-17T02:17:09Z) - A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。
非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
論文 参考訳（メタデータ） (2024-01-26T14:21:45Z) - A Comprehensive Review of Community Detection in Graphs [10.683947241960178]
複雑なネットワークの研究は、我々のコミュニティ構造に対する理解を著しく前進させてきた。
グラフ内のコミュニティを検出することは、社会学、生物学、計算機科学の応用において難しい問題である。
本稿では, グラフにおけるコミュニティ検出の話題について概説し, 様々なコミュニティ検出手法の徹底的な解説を行う。
論文 参考訳（メタデータ） (2023-09-21T06:04:06Z) - Implicit models, latent compression, intrinsic biases, and cheap lunches
in community detection [0.0]
コミュニティ検出は、ネットワークをノードのクラスタに分割して、その大規模な構造を要約することを目的としている。
いくつかのコミュニティ検出手法は、確率的生成モデルを通じてクラスタリングの目的を明示的に導出する。
他の方法は記述的であり、特定のアプリケーションによって動機付けられた目的に応じてネットワークを分割する。
本稿では,コミュニティ検出対象,推論対象,記述対象とそれに対応する暗黙的ネットワーク生成モデルとを関連付けるソリューションを提案する。
論文 参考訳（メタデータ） (2022-10-17T15:38:41Z) - A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。
この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。
ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文 参考訳（メタデータ） (2021-05-26T14:37:07Z) - Overcoming Bias in Community Detection Evaluation [0.0]
このタスクを評価するために広く使われている2つの戦略は、一般に構造的、機能的として知られている。
本研究では,実世界のネットワークにおけるコミュニティの検出において,ロバストな品質評価を支援する手法を提案する。
論文 参考訳（メタデータ） (2021-02-06T01:53:51Z) - A Survey of Community Detection Approaches: From Statistical Modeling to
Deep Learning [95.27249880156256]
ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。
既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。
フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
論文 参考訳（メタデータ） (2021-01-03T02:32:45Z) - Visualization of Supervised and Self-Supervised Neural Networks via
Attribution Guided Factorization [87.96102461221415]
クラスごとの説明性を提供するアルゴリズムを開発した。
実験の広範なバッテリーでは、クラス固有の可視化のための手法の能力を実証する。
論文 参考訳（メタデータ） (2020-12-03T18:48:39Z) - Deep Learning for Community Detection: Progress, Challenges and
Opportunities [79.26787486888549]
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
論文 参考訳（メタデータ） (2020-05-17T11:22:11Z)
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。