論文の概要: Empirically Classifying Network Mechanisms
- arxiv url: http://arxiv.org/abs/2012.15863v2
- Date: Mon, 4 Jan 2021 16:57:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:13:55.509799
- Title: Empirically Classifying Network Mechanisms
- Title（参考訳）: ネットワークメカニズムの実証分類
- Authors: Ryan E. Langendorf and Matthew G. Burgess
- Abstract要約: ネットワークモデルは、多くの物理的、生物学的、社会的分野にわたる相互接続システムの研究に使用される。
任意のネットワークデータを機械的に分類できる単純な経験的アプローチを導入する。
- 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: Network models are used to study interconnected systems across many physical,
biological, and social disciplines. Such models often assume a particular
network-generating mechanism, which when fit to data produces estimates of
mechanism-specific parameters that describe how systems function. For instance,
a social network model might assume new individuals connect to others with
probability proportional to their number of pre-existing connections
('preferential attachment'), and then estimate the disparity in interactions
between famous and obscure individuals with similar qualifications. However,
without a means of testing the relevance of the assumed mechanism, conclusions
from such models could be misleading. Here we introduce a simple empirical
approach which can mechanistically classify arbitrary network data. Our
approach compares empirical networks to model networks from a user-provided
candidate set of mechanisms, and classifies each network--with high
accuracy--as originating from either one of the mechanisms or none of them. We
tested 373 empirical networks against five of the most widely studied network
mechanisms and found that most (228) were unlike any of these mechanisms. This
raises the possibility that some empirical networks arise from mixtures of
mechanisms. We show that mixtures are often unidentifiable because different
mixtures can produce functionally equivalent networks. In such systems, which
are governed by multiple mechanisms, our approach can still accurately predict
out-of-sample functional properties.
- Abstract（参考訳）: ネットワークモデルは、多くの物理的、生物学的、社会的分野にわたる相互接続システムの研究に使用される。
このようなモデルはしばしば特定のネットワーク生成機構を仮定し、データに適合するとシステムがどのように機能するかを記述するメカニズム固有のパラメータの見積もりを生成する。
例えば、ソーシャルネットワークモデルでは、新しい個人が既存のコネクションの数に比例する確率で他人とつながり("preferential attachment")を仮定し、同じ資格を持つ有名人と無名の個人間の相互作用の違いを推定する。
しかし、仮定されたメカニズムの関連性をテストする手段がなければ、そのようなモデルの結論は誤解を招く可能性がある。
本稿では,任意のネットワークデータを機械的に分類できる単純な経験的手法を提案する。
提案手法は,経験的ネットワークと,ユーザが提案するメカニズムからネットワークをモデル化し,各ネットワークを高い精度で分類する。
我々は、最も広く研究されている5つのネットワークメカニズムに対して、373の実証ネットワークをテストし、ほとんどの(228)がこれらのメカニズムと異なることを突き止めた。
これにより、いくつかの経験的ネットワークが機構の混合から生じる可能性が高まる。
異なる混合物が機能的に等価なネットワークを生成できるため、混合物はしばしば識別できない。
複数の機構によって制御されるそのようなシステムでは、我々の手法は依然として正確にサンプル外機能特性を予測できる。
関連論文リスト
- Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Network Causal Effect Estimation In Graphical Models Of Contagion And Latent Confounding [2.654975444537834]
多くのネットワーク研究の鍵となる疑問は、観測された単位間の相関は、主に感染や潜伏によるものであるかである。
ネットワーク因果効果の推定手法を提案する。
実世界のネットワークを用いて,合成データによる手法の有効性と仮定の有効性を評価する。
論文 参考訳（メタデータ） (2024-11-02T22:12:44Z) - Leveraging advances in machine learning for the robust classification and interpretation of networks [0.0]
シミュレーションアプローチでは、Erd"os-R'enyiやSmall-worldのような適切なネットワーク生成モデルを選択する。
我々は、解釈可能な機械学習の進歩を利用して、様々なネットワーク属性に基づいて、生成モデルによってシミュレーションされたネットワークを分類する。
論文 参考訳（メタデータ） (2024-03-20T00:24:23Z) - Competition of Mechanisms: Tracing How Language Models Handle Facts and Counterfactuals [82.68757839524677]
解釈可能性研究は、経験的成功と大規模言語モデル(LLM)の科学的理解のギャップを埋めることを目的としている。
本稿では,個々のメカニズムではなく,複数のメカニズムの相互作用に着目した,メカニズムの競合の定式化を提案する。
本研究は, 種々のモデル成分間の機構とその競合の痕跡を示し, 特定の機構の強度を効果的に制御する注意位置を明らかにした。
論文 参考訳（メタデータ） (2024-02-18T17:26:51Z) - Fitting Low-rank Models on Egocentrically Sampled Partial Networks [4.111899441919165]
本稿では,egocentricly sampled network に対する一般的な低ランクモデルに適合する手法を提案する。
この手法は、エゴセントリックな部分的ネットワーク推定に関する最初の理論的保証を提供する。
本手法を複数の合成および実世界のネットワーク上で評価し,リンク予測タスクにおいて競合性能を実現することを示す。
論文 参考訳（メタデータ） (2023-03-09T03:20:44Z) - Mechanism of feature learning in deep fully connected networks and
kernel machines that recursively learn features [15.29093374895364]
我々は,ニューラルネットワークが勾配特徴を学習するメカニズムを同定し,特徴付ける。
私たちのアンザッツは、突発的な特徴の出現や単純さのバイアスなど、さまざまな深層学習現象に光を当てています。
この特徴学習機構の有効性を実証するため,古典的非機能学習モデルにおいて特徴学習を可能にする。
論文 参考訳（メタデータ） (2022-12-28T15:50:58Z) - Quasi-orthogonality and intrinsic dimensions as measures of learning and
generalisation [55.80128181112308]
ニューラルネットワークの特徴空間の次元性と準直交性は、ネットワークの性能差別と共同して機能する可能性があることを示す。
本研究は, ネットワークの最終的な性能と, ランダムに初期化された特徴空間の特性との関係を示唆する。
論文 参考訳（メタデータ） (2022-03-30T21:47:32Z) - Interpretable part-whole hierarchies and conceptual-semantic
relationships in neural networks [4.153804257347222]
本稿では、視覚的手がかりから部分全体階層を表現できるフレームワークであるAgglomeratorについて述べる。
本研究では,SmallNORB,MNIST,FashionMNIST,CIFAR-10,CIFAR-100などの共通データセットを用いて評価を行った。
論文 参考訳（メタデータ） (2022-03-07T10:56:13Z) - Properties from Mechanisms: An Equivariance Perspective on Identifiable
Representation Learning [79.4957965474334]
教師なし表現学習の主な目標は、データ生成プロセスが潜在プロパティを回復するために「反転」することである。
この論文は「進化を支配するメカニズムの知識を活用して潜伏特性を識別するのか?」と問う。
我々は、可能なメカニズムの集合に関する知識が異なるため、不特定性の原因の完全な特徴づけを提供する。
論文 参考訳（メタデータ） (2021-10-29T14:04:08Z) - 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) - Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。
我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。
本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-01T00:58:54Z)
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。