論文の概要: Information Theoretic Limits of Exact Recovery in Sub-hypergraph Models
for Community Detection
- arxiv url: http://arxiv.org/abs/2101.12369v1
- Date: Fri, 29 Jan 2021 02:50:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-01 12:52:32.215635
- Title: Information Theoretic Limits of Exact Recovery in Sub-hypergraph Models
for Community Detection
- Title(参考訳): コミュニティ検出のためのサブハイパーグラフモデルにおける厳密な回復の情報理論的限界
- Authors: Jiajun Liang, Chuyang Ke and Jean Honorio
- Abstract要約: 本研究では,コミュニティ検出のためのサブハイパーグラフモデルにおいて,正確な回復のための情報理論境界について検討する。
我々の限界は厳密であり、様々なモデルのコミュニティ検出問題に関係している。
- 参考スコア(独自算出の注目度): 29.266116605396814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we study the information theoretic bounds for exact recovery
in sub-hypergraph models for community detection. We define a general model
called the $m-$uniform sub-hypergraph stochastic block model ($m-$ShSBM). Under
the $m-$ShSBM, we use Fano's inequality to identify the region of model
parameters where any algorithm fails to exactly recover the planted communities
with a large probability. We also identify the region where a Maximum
Likelihood Estimation (MLE) algorithm succeeds to exactly recover the
communities with high probability. Our bounds are tight and pertain to the
community detection problems in various models such as the planted hypergraph
stochastic block model, the planted densest sub-hypergraph model, and the
planted multipartite hypergraph model.
- Abstract(参考訳): 本稿では,地域検出のためのサブハイパーグラフモデルにおける情報理論的境界について検討する。
我々は、$m-$uniform sub-hypergraph stochastic block model (m-$shsbm)と呼ばれる一般モデルを定義する。
$m-$ShSBMの下では、ファノの不等式を用いてモデルパラメータの領域を特定する。
また,最大類似度推定(MLE)アルゴリズムが,高い確率でコミュニティを正確に回復することに成功した地域を特定する。
我々の境界は密接であり, 植込み型ハイパーグラフ確率ブロックモデル, 植込み型高密度サブハイパーグラフモデル, 植込み型マルチパート型ハイパーグラフモデルなど, 様々なモデルにおけるコミュニティ検出問題と関連している。
関連論文リスト
- Optimal and exact recovery on general non-uniform Hypergraph Stochastic Block Model [0.0]
非一様ハイパーグラフ化ブロックモデル(HSBM)に基づくランダムハイパーグラフにおけるコミュニティ検出問題の検討
文献ではじめて、この一様でないケース下での正確な回復のための鋭いしきい値が、小さな制約の下で確立された。
しきい値を超えると正確な回復を達成でき、正確な回復が不可能な場合には最小の確率で達成できる2つの効率的なアルゴリズムを提供する。
論文 参考訳(メタデータ) (2023-04-25T20:30:33Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Exact Recovery in the General Hypergraph Stochastic Block Model [92.28929858529679]
本稿では,d-uniform hypergraph block model(d-HSBM)の正確な回復の基本的な限界について検討する。
精度の高いしきい値が存在し、正確な回復がしきい値の上に達成でき、その下には不可能であることを示す。
論文 参考訳(メタデータ) (2021-05-11T03:39:08Z) - Generative hypergraph clustering: from blockmodels to modularity [26.99290024958576]
異質なノード度とエッジサイズを持つクラスタ化ハイパーグラフの表現的生成モデルを提案する。
我々は,100万ノードの合成ハイパーグラフを用いた実験など,ハイパーグラフ・ルーバインは高度にスケーラブルであることを示す。
このモデルを用いて,学校連絡ネットワークにおける高次構造の異なるパターン,米国議会法案共同提案,米国議会委員会,共同購入行動における製品カテゴリ,ホテルロケーションを分析した。
論文 参考訳(メタデータ) (2021-01-24T00:25:22Z) - Shaping Deep Feature Space towards Gaussian Mixture for Visual
Classification [74.48695037007306]
視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。
分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。
提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
論文 参考訳(メタデータ) (2020-11-18T03:32:27Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳(メタデータ) (2020-09-29T12:50:33Z) - A Rigorous Link Between Self-Organizing Maps and Gaussian Mixture Models [78.6363825307044]
本研究は、自己組織化マップ(SOM)とガウス混合モデル(GMM)の関係を数学的に扱うものである。
我々は,エネルギーベースSOMモデルを勾配勾配下降と解釈できることを示した。
このリンクはSOMsを生成確率モデルとして扱うことができ、SOMsを使用して外れ値を検出したりサンプリングしたりするための正式な正当性を与える。
論文 参考訳(メタデータ) (2020-09-24T14:09:04Z) - The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。
この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
論文 参考訳(メタデータ) (2020-06-22T16:43:35Z) - Community Detection and Stochastic Block Models [20.058330327502503]
幾何ブロックモデル(SBM)はクラスタリングとコミュニティ検出を研究するための標準モデルとして広く用いられている。
統計学やデータ科学で発生する情報理論と計算上のトレードオフを研究するための、肥大した基盤を提供する。
本書は、SBMにおけるコミュニティ検出の基本的な限界を確立する最近の発展について調査する。
論文 参考訳(メタデータ) (2017-03-29T17:21:44Z)
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。