論文の概要: Modeling the Evolution of Networks as Shrinking Structural Diversity
- arxiv url: http://arxiv.org/abs/2009.09764v1
- Date: Mon, 21 Sep 2020 11:30:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 05:45:12.539404
- Title: Modeling the Evolution of Networks as Shrinking Structural Diversity
- Title（参考訳）: 構造多様性を損なうネットワークの進化のモデル化
- Authors: J\'er\^ome Kunegis
- Abstract要約: 本稿では、構造的多様性の概念に基づいて、ネットワーク進化のモデルをレビューし、評価する。
多様性は、優先的なアタッチメントモデル、接続性、リンク予測という、ネットワーク進化の3つの原則の根底にあるテーマであることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article reviews and evaluates models of network evolution based on the
notion of structural diversity. We show that diversity is an underlying theme
of three principles of network evolution: the preferential attachment model,
connectivity and link prediction. We show that in all three cases, a dominant
trend towards shrinking diversity is apparent, both theoretically and
empirically. In previous work, many kinds of different data have been modeled
as networks: social structure, navigational structure, transport
infrastructure, communication, etc. Almost all these types of networks are not
static structures, but instead dynamic systems that change continuously. Thus,
an important question concerns the trends observable in these networks and
their interpretation in terms of existing network models. We show in this
article that most numerical network characteristics follow statistically
significant trends going either up or down, and that these trends can be
predicted by considering the notion of diversity. Our work extends previous
work observing a shrinking network diameter to measures such as the clustering
coefficient, power-law exponent and random walk return probability, and
justifies preferential attachment models and link prediction algorithms. We
evaluate our hypothesis experimentally using a diverse collection of
twenty-seven temporally evolving real-world network datasets.
- Abstract（参考訳）: 本稿では,構造的多様性の概念に基づくネットワーク進化のモデルをレビューし,評価する。
ネットワーク進化の3つの原則:優先アタッチメントモデル、接続性、リンク予測の3つの基本テーマは多様性である。
いずれの場合も,多様性を縮小する傾向は理論的にも経験的にも明らかである。
これまでの研究では、社会構造、ナビゲーション構造、交通インフラ、通信など、さまざまな種類のデータがネットワークとしてモデル化されてきた。
ほとんど全てのタイプのネットワークは静的構造ではなく、連続的に変化する動的システムである。
したがって、重要な質問は、これらのネットワークで観測可能なトレンドとその既存のネットワークモデルの観点からの解釈に関するものである。
本稿では,ほとんどの数値ネットワーク特性が統計的に有意な傾向を呈し,多様性の概念を考慮すれば,これらの傾向を予測できることを示す。
本研究では,ネットワーク径の縮小を観測し,クラスタリング係数,パワーロー指数,ランダムウォークリターン確率などの測定を行い,優先アタッチメントモデルとリンク予測アルゴリズムを正当化する。
この仮説を,27個の時間発展する実世界のネットワークデータセットの多種多様なコレクションを用いて実験的に評価した。
関連論文リスト
- Transferable Post-training via Inverse Value Learning [83.75002867411263]
別個のニューラルネットワーク(すなわち値ネットワーク)を用いた後学習におけるロジットレベルのモデリング変更を提案する。
このネットワークをデモを使って小さなベースモデルでトレーニングした後、推論中に他のトレーニング済みモデルとシームレスに統合することができる。
得られた値ネットワークは、パラメータサイズの異なる事前学習されたモデル間で広い転送性を有することを示す。
論文 参考訳（メタデータ） (2024-10-28T13:48:43Z) - Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。
具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。
そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
論文 参考訳（メタデータ） (2024-08-08T17:20:08Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - Latent Evolution Model for Change Point Detection in Time-varying
Networks [11.442584422147368]
グラフベースの変化点検出(CPD)は、時間変化ネットワークにおける異常グラフの発見において、不可能な役割を担っている。
実際には、ソーシャルネットワーク、トラフィックネットワーク、レーティングネットワークといった現実世界のグラフは、時間とともに常に進化している。
潜在進化モデルを用いた動的グラフの新しいCPD法を提案する。
論文 参考訳（メタデータ） (2022-12-17T07:39:35Z) - Diversity and Generalization in Neural Network Ensembles [0.0]
これまでに公表された結果を、多様性とアンサンブルのパフォーマンスの関係を記述した理論的に健全な枠組みで組み合わせて拡張する。
多様性を測定する方法、多様性がアンサンブルの一般化誤差とどのように関係しているか、そして、ニューラルネットワークアンサンブルアルゴリズムによって多様性が促進されるか、といった質問に対して、音声による回答を提供する。
論文 参考訳（メタデータ） (2021-10-26T15:41:10Z) - 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) - Polynomial Networks in Deep Classifiers [55.90321402256631]
我々は深層ニューラルネットワークの研究を統一的な枠組みで行った。
私たちのフレームワークは、各モデルの誘導バイアスに関する洞察を提供します。
提案モデルの有効性を,標準画像および音声分類ベンチマークで評価した。
論文 参考訳（メタデータ） (2021-04-16T06:41:20Z) - Dynamic Network Embedding Survey [11.742863376032112]
本稿では,動的ネットワークの埋め込みに関する調査を行う。
動的ネットワークのための2つの基本データモデル、すなわち離散モデルと連続モデルを提案する。
典型的な学習モデルによって分類階層を洗練させる分類法を構築する。
論文 参考訳（メタデータ） (2021-03-29T09:27:53Z) - Understanding the wiring evolution in differentiable neural architecture
search [114.31723873105082]
識別可能なニューラルネットワーク探索手法が配線トポロジを効果的に発見するかどうかについては議論がある。
既存の差別化可能なNASフレームワークの基盤メカニズムについて検討する。
論文 参考訳（メタデータ） (2020-09-02T18:08:34Z) - On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。
現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。
トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-16T18:39:04Z) - 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。