論文の概要: Overcoming Bias in Community Detection Evaluation

• arxiv url: http://arxiv.org/abs/2102.03472v1
• Date: Sat, 6 Feb 2021 01:53:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 15:23:43.436923
• Title: Overcoming Bias in Community Detection Evaluation
• Title（参考訳）: コミュニティ検出評価におけるバイアスの克服
• Authors: Jeancarlo Campos Le\~ao (1), Alberto H. F. Laender (2), Pedro O. S. Vaz de Melo (2) ((1) Instituto Federal do Norte de Minas Gerais, (2) Universidade Federal de Minas Gerais)
• Abstract要約: このタスクを評価するために広く使われている2つの戦略は、一般に構造的、機能的として知られている。 本研究では,実世界のネットワークにおけるコミュニティの検出において,ロバストな品質評価を支援する手法を提案する。
• 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: Community detection is a key task to further understand the function and the structure of complex networks. Therefore, a strategy used to assess this task must be able to avoid biased and incorrect results that might invalidate further analyses or applications that rely on such communities. Two widely used strategies to assess this task are generally known as structural and functional. The structural strategy basically consists in detecting and assessing such communities by using multiple methods and structural metrics. On the other hand, the functional strategy might be used when ground truth data are available to assess the detected communities. However, the evaluation of communities based on such strategies is usually done in experimental configurations that are largely susceptible to biases, a situation that is inherent to algorithms, metrics and network data used in this task. Furthermore, such strategies are not systematically combined in a way that allows for the identification and mitigation of bias in the algorithms, metrics or network data to converge into more consistent results. In this context, the main contribution of this article is an approach that supports a robust quality evaluation when detecting communities in real-world networks. In our approach, we measure the quality of a community by applying the structural and functional strategies, and the combination of both, to obtain different pieces of evidence. Then, we consider the divergences and the consensus among the pieces of evidence to identify and overcome possible sources of bias in community detection algorithms, evaluation metrics, and network data. Experiments conducted with several real and synthetic networks provided results that show the effectiveness of our approach to obtain more consistent conclusions about the quality of the detected communities.
• Abstract（参考訳）: コミュニティ検出は、複雑なネットワークの機能と構造をさらに理解するための重要なタスクです。 したがって、このタスクを評価するために使われる戦略は、そのようなコミュニティに依存するさらなる分析やアプリケーションを無効にするバイアスや誤った結果を避けることができる。 このタスクを評価するために広く使われている2つの戦略は一般に構造的および機能的として知られている。 構造的戦略は基本的に、複数の方法と構造的指標を用いて、そのようなコミュニティを検出して評価するものである。 一方, 検出されたコミュニティを評価するために, 地中真理データを利用できる場合に, 機能的戦略が用いられる可能性がある。 しかし、そのような戦略に基づくコミュニティの評価は通常、偏りに影響を受けやすい実験的な構成で行われ、これはこのタスクで使用されるアルゴリズム、メトリクス、ネットワークデータに固有の状況である。 さらに、そのような戦略は、アルゴリズム、メトリクス、ネットワークデータにおけるバイアスの識別と緩和を、より一貫した結果に収束させる方法で体系的に結合されない。 この文脈において、本稿の主な貢献は、現実世界のネットワークにおけるコミュニティを検出する際に、堅牢な品質評価を支援するアプローチである。 私たちのアプローチでは、構造的および機能的な戦略、および両方の組み合わせを適用して、コミュニティの品質を測定し、さまざまな証拠を得ます。 次に, コミュニティ検出アルゴリズム, 評価指標, ネットワークデータにおけるバイアス源の可能性を特定し, 克服するための証拠群間の相違と一致を検討する。 複数の実および合成ネットワークを用いた実験により、検出されたコミュニティの品質に関するより一貫した結論を得るためのアプローチの有効性を示す結果が得られた。

関連論文リスト

• Enhancing Community Detection in Networks: A Comparative Analysis of Local Metrics and Hierarchical Algorithms [49.1574468325115]
  本研究は,地域間類似度指標を用いた地域検出の関連性を評価するために,同じ手法を用いている。 これらの指標の有効性は,異なるコミュニティサイズを持つ複数の実ネットワークにベースアルゴリズムを適用して評価した。
  論文  参考訳（メタデータ） (2024-08-17T02:17:09Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Implicit models, latent compression, intrinsic biases, and cheap lunches in community detection [0.0]
  コミュニティ検出は、ネットワークをノードのクラスタに分割して、その大規模な構造を要約することを目的としている。 いくつかのコミュニティ検出手法は、確率的生成モデルを通じてクラスタリングの目的を明示的に導出する。 他の方法は記述的であり、特定のアプリケーションによって動機付けられた目的に応じてネットワークを分割する。 本稿では,コミュニティ検出対象,推論対象,記述対象とそれに対応する暗黙的ネットワーク生成モデルとを関連付けるソリューションを提案する。
  論文  参考訳（メタデータ） (2022-10-17T15:38:41Z)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)
• Detecci\'on de comunidades en redes: Algoritmos y aplicaciones [0.0]
  この修士論文は,ネットワーク内のコミュニティを検出する手法を解析することを目的としている。 まず,グラフ理論とコミュニティの主な特徴と,この問題における共通測度について考察する。 地域社会を検知し,その特徴と計算複雑性を考慮し,分類を開発するための主要な手法を概観した。
  論文  参考訳（メタデータ） (2020-09-15T00:18:06Z)
• On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
  本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。 また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
  論文  参考訳（メタデータ） (2020-09-15T00:16:12Z)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)
• Certified Robustness of Community Detection against Adversarial Structural Perturbation via Randomized Smoothing [81.71105567425275]
  本研究は, 対向構造摂動に対するコミュニティ検出の信頼性保証を初めて開発した。 このスムーズなコミュニティ検出手法は,任意のノード群を同一のコミュニティにグループ化する。 また,本手法を複数の実世界グラフ上で実験的に評価した。
  論文  参考訳（メタデータ） (2020-02-09T18:39:39Z)

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。