論文の概要: A Model of Densifying Collaboration Networks

• arxiv url: http://arxiv.org/abs/2101.11056v1
• Date: Tue, 26 Jan 2021 19:56:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 22:09:49.132325
• Title: A Model of Densifying Collaboration Networks
• Title（参考訳）: 密着型コラボレーションネットワークのモデル
• Authors: Keith A. Burghardt, Allon G. Percus, Kristina Lerman
• Abstract要約: 我々は,研究コラボレーションネットワークの成長のモデルを分析する。 共同作業の数は,機関規模と超直線的にスケールすることを示す。 そして、このモデルを理論的に理解し、創発的ヘテロジニアススケーリングを明らかにする。
• 参考スコア（独自算出の注目度）: 2.9382751364810034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Research collaborations provide the foundation for scientific advances, but we have only recently begun to understand how they form and grow on a global scale. Here we analyze a model of the growth of research collaboration networks to explain the empirical observations that the number of collaborations scales superlinearly with institution size, though at different rates (heterogeneous densification), the number of institutions grows as a power of the number of researchers (Heaps' law) and institution sizes approximate Zipf's law. This model has three mechanisms: (i) researchers are preferentially hired by large institutions, (ii) new institutions trigger more potential institutions, and (iii) researchers collaborate with friends-of-friends. We show agreement between these assumptions and empirical data, through analysis of co-authorship networks spanning two centuries. We then develop a theoretical understanding of this model, which reveals emergent heterogeneous scaling such that the number of collaborations between institutions scale with an institution's size.
• Abstract（参考訳）: 研究協力は科学的進歩の基盤となっているが、我々は最近、彼らがどのように世界規模で形成し成長するかを理解し始めたばかりである。 本稿では,研究協力ネットワークの成長モデルを分析し,異なる割合(ヘテロゲン密度化)では研究者数(ヘップスの法則)と機関サイズがzipfの法則に近似する力として増加するものの,協力数と機関規模が重線形にスケールする,という実証的観察を説明する。 このモデルには3つのメカニズムがあります (i)研究者は、大機関に優先的に雇用される。 二 新たな機関がより潜在的な機関を刺激し (iii)研究者は友人の友人と協力する。 2世紀にわたる共著者ネットワークの分析を通じて,これらの仮定と経験的データとの一致を示す。 そして,このモデルについて理論的に理解し,機関間の協調の回数と機関の大きさが一致するように,創発的な異種スケーリングを明らかにする。

関連論文リスト

• Federated brain tumor segmentation: an extensive benchmark [2.515027627030043]
  本稿では,この課題における3つのクラスすべてからのフェデレーション学習アルゴリズムの広範なベンチマークを提案する。 各カテゴリのいくつかの手法は、若干の性能改善をもたらし、フェデレーションの圧倒的なデータ分布に対する最終モデル(s)バイアスを制限する可能性があることを示す。
  論文  参考訳（メタデータ） (2024-10-07T09:32:19Z)
• Scaling Large-Language-Model-based Multi-Agent Collaboration [75.5241464256688]
  大規模言語モデルによるエージェントのパイオニア化は、マルチエージェントコラボレーションの設計パターンを暗示している。 神経スケーリング法則に触発された本研究では,マルチエージェント協調におけるエージェントの増加に類似の原理が適用されるかを検討する。
  論文  参考訳（メタデータ） (2024-06-11T11:02:04Z)
• EHRFL: Federated Learning Framework for Institution-Specific Model Construction using Electronic Health Records [8.808899980912184]
  フェデレーテッド・ラーニング(Federated Learning)は、患者のプライバシを保護し、規制の制約を遵守しながら、複数の機関からのデータのトレーニングを可能にする。 多くのフェデレートラーニング研究は、複数の顧客のためのグローバルモデルの構築に焦点を合わせ、制度特化モデルの実践的ニーズを見越すことに重点を置いている。 EHRFLは、単一の医療機関に適したモデルを開発するために設計された、EHRを用いた連合学習フレームワークである。
  論文  参考訳（メタデータ） (2024-04-20T08:23:46Z)
• COMBO: Compositional World Models for Embodied Multi-Agent Cooperation [64.27636858152522]
  分散エージェントは、世界の部分的な自我中心的な見解にのみ、協力しなくてはならない。 我々は、部分的な自我中心の観測から世界全体の状態を推定するために生成モデルを訓練する。 複数のエージェントの自然な構成可能な共同動作を分解することにより、マルチエージェント協調のための構成的世界モデルを学ぶ。
  論文  参考訳（メタデータ） (2024-04-16T17:59:11Z)
• Discovery of the Hidden World with Large Language Models [95.58823685009727]
  本稿では,大きな言語モデル(LLM)を導入してギャップを埋めるCausal representatiOn AssistanT(COAT)を提案する。 LLMは世界中の大規模な観測に基づいて訓練されており、構造化されていないデータから重要な情報を抽出する優れた能力を示している。 COATはまた、特定変数間の因果関係を見つけるためにCDを採用し、提案された要因を反復的に洗練するためにLSMにフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)
• Exploring Collaboration Mechanisms for LLM Agents: A Social Psychology View [60.80731090755224]
  本稿では,理論的洞察を用いた実用実験により,現代NLPシステム間の協調機構を解明する。 我々は, LLMエージェントからなる4つの独特な社会をつくり, それぞれのエージェントは, 特定の特性(容易性, 過信性)によって特徴づけられ, 異なる思考パターン(議論, ふりかえり)と協調する。 以上の結果から, LLMエージェントは, 社会心理学理論を反映した, 適合性やコンセンサスリーディングといった人間的な社会的行動を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2023-10-03T15:05:52Z)
• A Diachronic Analysis of Paradigm Shifts in NLP Research: When, How, and Why? [84.46288849132634]
  本稿では、因果発見と推論技術を用いて、科学分野における研究トピックの進化を分析するための体系的な枠組みを提案する。 我々は3つの変数を定義し、NLPにおける研究トピックの進化の多様な側面を包含する。 我々は因果探索アルゴリズムを用いてこれらの変数間の因果関係を明らかにする。
  論文  参考訳（メタデータ） (2023-05-22T11:08:00Z)
• Quantifying & Modeling Multimodal Interactions: An Information Decomposition Framework [89.8609061423685]
  本稿では,入力モーダル性と出力タスクを関連付けた冗長性,特異性,シナジーの度合いを定量化する情報理論手法を提案する。 PID推定を検証するために、PIDが知られている合成データセットと大規模マルチモーダルベンチマークの両方で広範な実験を行う。 本研究では,(1)マルチモーダルデータセット内の相互作用の定量化,(2)マルチモーダルモデルで捉えた相互作用の定量化,(3)モデル選択の原理的アプローチ,(4)実世界のケーススタディの3つにその有用性を示す。
  論文  参考訳（メタデータ） (2023-02-23T18:59:05Z)
• Sequential Cooperative Bayesian Inference [16.538512182336827]
  協調とは、データを選択するエージェントとデータから学習するエージェントが同じ目標を持ち、学習者が意図した仮説を推測することを意味する。 近年の人間と機械学習のモデルが協調の可能性を実証している。
  論文  参考訳（メタデータ） (2020-02-13T18:48:06Z)

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。