論文の概要: Fast Evaluation for Relevant Quantities of Opinion Dynamics

• arxiv url: http://arxiv.org/abs/2101.08143v2
• Date: Sat, 12 Jun 2021 15:19:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 11:28:23.795750
• Title: Fast Evaluation for Relevant Quantities of Opinion Dynamics
• Title（参考訳）: オピニオンダイナミクスの関連量に対する高速評価
• Authors: Wanyue Xu, Qi Bao, Zhongzhi Zhang
• Abstract要約: 我々は、あるベクトルの$ell$ノルムで関連する量を推定するほぼ線形時間アルゴリズムを提案する。 我々のアルゴリズムはラプラシアン解法に基づいており、各量について理論的に誤差を保証している。 我々は,多数のノードを持つ大規模グラフに対して,近似アルゴリズムが効率的かつ効果的でスケーラブルであることを示す。
• 参考スコア（独自算出の注目度）: 10.463365653675693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the main subjects in the field of social networks is to quantify conflict, disagreement, controversy, and polarization, and some quantitative indicators have been developed to quantify these concepts. However, direct computation of these indicators involves the operations of matrix inversion and multiplication, which make it computationally infeasible for large-scale graphs with millions of nodes. In this paper, by reducing the problem of computing relevant quantities to evaluating $\ell_2$ norms of some vectors, we present a nearly linear time algorithm to estimate all these quantities. Our algorithm is based on the Laplacian solvers, and has a proved theoretical guarantee of error for each quantity. We execute extensive numerical experiments on a variety of real networks, which demonstrate that our approximation algorithm is efficient and effective, scalable to large graphs having millions of nodes.
• Abstract（参考訳）: ソーシャルネットワークの分野における主要なテーマの1つは、紛争、不一致、論争、偏光の定量化であり、これらの概念を定量化するためにいくつかの定量指標が開発された。 しかし、これらの指標の直接計算には行列の逆転と乗算の演算が含まれており、数百万のノードを持つ大規模グラフでは計算不可能である。 本稿では,あるベクトルの$\ell_2$ノルムを評価するための計算量の問題を減らすことで,これらの量すべてを推定するほぼ線形時間アルゴリズムを提案する。 我々のアルゴリズムはラプラシアン解法に基づいており、各量について理論的に誤差を保証している。 我々は,多数のノードを持つ大規模グラフに対して,近似アルゴリズムが効率的かつ効果的でスケーラブルであることを示す,様々な実ネットワーク上での広範な数値実験を行った。

関連論文リスト

• Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
  本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。 我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。 提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
  論文  参考訳（メタデータ） (2024-06-20T15:25:13Z)
• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• A Fast Algorithm for Moderating Critical Nodes via Edge Removal [19.130541561303293]
  対象ノードの情報集中度を最小限に抑えるために,ネットワークから$k$エッジを除去する問題について検討する。 ランダムウォークに基づくシュア補数近似や高速和推定などの新しい手法を用いて、3つの近似グリードアルゴリズムを提案する。 理論的解析を補完するため、100万以上のノードを持つ合成および実ネットワークに関する包括的な実験を行う。
  論文  参考訳（メタデータ） (2023-09-09T13:54:34Z)
• Randomized Polar Codes for Anytime Distributed Machine Learning [66.46612460837147]
  本稿では,低速な計算ノードに対して堅牢で,線形演算の近似計算と精度の両立が可能な分散コンピューティングフレームワークを提案する。 本稿では,復号化のための計算複雑性を低く保ちながら,実数値データを扱うための逐次復号アルゴリズムを提案する。 大規模行列乗算やブラックボックス最適化など,様々な文脈において,このフレームワークの潜在的な応用を実証する。
  論文  参考訳（メタデータ） (2023-09-01T18:02:04Z)
• Multi-task Learning for Gaussian Graphical Regressions with High Dimensional Covariates [5.726899123970559]
  ガウス図形回帰モデルに適合するマルチタスク学習推定器を提案する。 計算には,半滑らかなニュートン法を用いてサブプロブレムを解く,効率的な拡張ラグランジアンアルゴリズムを考える。 マルチタスク学習に基づく推定値の誤差率は、ノード単位のラッソ推定値よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2022-05-21T20:48:51Z)
• A Survey of Quantization Methods for Efficient Neural Network Inference [75.55159744950859]
  量子化は、必要なビット数を最小限に抑えるために、固定された離散数の集合に連続実数値を分散する問題である。 近年、コンピュータビジョン、自然言語処理、関連分野でのニューラルネットワークモデルの顕著な性能のために最前線に達しています。 浮動小数点表現から4ビット以下の低精度固定整数値への移行は、メモリフットプリントとレイテンシを16倍削減する可能性を秘めている。
  論文  参考訳（メタデータ） (2021-03-25T06:57:11Z)
• Overlapping community detection in networks via sparse spectral decomposition [1.0660480034605242]
  各ノードが複数のコミュニティに属することができるネットワークにおいて,重複するコミュニティメンバシップを推定する問題を考える。 本アルゴリズムは,反復しきい値を用いたスパース主部分空間推定に基づく。 アルゴリズムの固定点がブロックモデルの下での正しいノードメンバシップに対応することを示す。
  論文  参考訳（メタデータ） (2020-09-20T07:31:09Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• Accelerating Neural Network Inference by Overflow Aware Quantization [16.673051600608535]
  ディープニューラルネットワークの重計算を継承することで、その広範な応用が防げる。 トレーニング可能な適応的不動点表現を設計し,オーバーフローを考慮した量子化手法を提案する。 提案手法により,量子化損失を最小限に抑え,最適化された推論性能を得ることができる。
  論文  参考訳（メタデータ） (2020-05-27T11:56:22Z)
• Quantized Decentralized Stochastic Learning over Directed Graphs [52.94011236627326]
  有向グラフ上で通信する計算ノード間でデータポイントが分散される分散学習問題を考える。 モデルのサイズが大きくなるにつれて、分散学習は、各ノードが隣人にメッセージ(モデル更新)を送信することによる通信負荷の大きなボトルネックに直面します。 本稿では,分散コンセンサス最適化におけるプッシュサムアルゴリズムに基づく有向グラフ上の量子化分散学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-23T18:25:39Z)

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。