論文の概要: Fast Network Community Detection with Profile-Pseudo Likelihood Methods

• arxiv url: http://arxiv.org/abs/2011.00647v3
• Date: Sun, 29 Aug 2021 15:32:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 23:56:14.251947
• Title: Fast Network Community Detection with Profile-Pseudo Likelihood Methods
• Title（参考訳）: Profile-Pseudo Likelihood 法による高速ネットワークコミュニティ検出
• Authors: Jiangzhou Wang, Jingfei Zhang, Binghui Liu, Ji Zhu, and Jianhua Guo
• Abstract要約: ブロックモデル確率関数に適合するほとんどのアルゴリズムは、大規模ネットワークには拡張できない。 本稿では,行ラベルと列ラベルを疎結合する新たな可能性的アプローチを提案する。 本手法は,ブロックモデルにおいて,コミュニティの強い一貫した推定値を提供することを示す。
• 参考スコア（独自算出の注目度）: 19.639557431997037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The stochastic block model is one of the most studied network models for community detection. It is well-known that most algorithms proposed for fitting the stochastic block model likelihood function cannot scale to large-scale networks. One prominent work that overcomes this computational challenge is Amini et al.(2013), which proposed a fast pseudo-likelihood approach for fitting stochastic block models to large sparse networks. However, this approach does not have convergence guarantee, and is not well suited for small- or medium- scale networks. In this article, we propose a novel likelihood based approach that decouples row and column labels in the likelihood function, which enables a fast alternating maximization; the new method is computationally efficient, performs well for both small and large scale networks, and has provable convergence guarantee. We show that our method provides strongly consistent estimates of the communities in a stochastic block model. As demonstrated in simulation studies, the proposed method outperforms the pseudo-likelihood approach in terms of both estimation accuracy and computation efficiency, especially for large sparse networks. We further consider extensions of our proposed method to handle networks with degree heterogeneity and bipartite properties.
• Abstract（参考訳）: 確率的ブロックモデルは、コミュニティ検出のための最も研究されたネットワークモデルの一つである。 確率的ブロックモデルに適合するアルゴリズムのほとんどが大規模ネットワークにスケールできないことが知られている。 この計算課題を克服する顕著な成果の1つは、Amini et alである。 (2013)は、確率的ブロックモデルを大きなスパースネットワークに適合させるための高速擬似類似アプローチを提案した。 しかし、このアプローチには収束保証がなく、小規模または中規模ネットワークには適していない。 本稿では,列ラベルと列ラベルを疎結合化することで,高速な交互最大化を実現し,計算効率が高く,小型ネットワークでも大規模ネットワークでも良好に動作し,コンバージェンス保証の証明が可能な,新しい可能性ベースアプローチを提案する。 本手法は,確率的ブロックモデルにおいて,コミュニティの強い一貫した推定を提供する。 シミュレーション研究で示されるように,提案手法は,推定精度と計算効率,特に大規模分散ネットワークにおいて疑似相似アプローチよりも優れている。 さらに,提案手法の拡張によるネットワークの次数不均一性と二部特性の処理について考察する。

関連論文リスト

• Sampling and active learning methods for network reliability estimation using K-terminal spanning tree [16.985964958558586]
  ネットワークの信頼性分析は、ネットワークのサイズと複雑さが増大しているため、依然として課題である。 本稿では,ネットワーク信頼度を効果的かつ高精度に推定するための新しいサンプリング手法とアクティブラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-09T08:51:53Z)
• Fast Shapley Value Estimation: A Unified Approach [71.92014859992263]
  冗長な手法を排除し、単純で効率的なシェープリー推定器SimSHAPを提案する。 既存手法の解析において、推定器は特徴部分集合からランダムに要約された値の線形変換として統一可能であることを観察する。 実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
  論文  参考訳（メタデータ） (2023-11-02T06:09:24Z)
• Implicit Variational Inference for High-Dimensional Posteriors [7.924706533725115]
  変分推論において、ベイズモデルの利点は、真の後続分布を正確に捉えることに依存する。 複雑な多重モーダルおよび相関後部を近似するのに適した暗黙分布を特定するニューラルサンプリング手法を提案する。 提案手法では,ニューラルネットワークを局所的に線形化することにより,暗黙分布を用いた近似推論の新たなバウンダリを導入する。
  論文  参考訳（メタデータ） (2023-10-10T14:06:56Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
  本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。 提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
  論文  参考訳（メタデータ） (2022-04-23T02:45:55Z)
• Bayesian community detection for networks with covariates [16.230648949593153]
  科学界でもっとも注目されているのは「コミュニティ検出」である。 共依存型ランダムパーティションを持つブロックモデルを提案する。 本モデルでは, 後部推測により, コミュニティの数を知ることができる。
  論文  参考訳（メタデータ） (2022-03-04T01:58:35Z)
• Network Estimation by Mixing: Adaptivity and More [2.3478438171452014]
  我々は、利用可能な任意のモデルを利用して、個々のパフォーマンスを改善する混合戦略を提案する。 提案手法は計算効率が高く,チューニングがほとんどない。 提案手法は,真のモデルが個々の候補に含まれる場合のオラクル推定と同等に動作することを示す。
  論文  参考訳（メタデータ） (2021-06-05T05:17:04Z)
• Manifold Regularized Dynamic Network Pruning [102.24146031250034]
  本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。 提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-10T03:59:03Z)
• Efficient semidefinite-programming-based inference for binary and multi-class MRFs [83.09715052229782]
  分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。 一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
  論文  参考訳（メタデータ） (2020-12-04T15:36:29Z)
• Learning All Credible Bayesian Network Structures for Model Averaging [3.81379858342235]
  近似アルゴリズムの性能保証に着想を得たモデル平均化手法を提案する。 我々のアプローチは既存のアプローチよりも効率的で、ベイズ的ネットワークにスケールする。
  論文  参考訳（メタデータ） (2020-08-27T19:56:27Z)
• ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
  簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。 本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
  論文  参考訳（メタデータ） (2020-06-28T23:09:27Z)

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。