論文の概要: Block Dense Weighted Networks with Augmented Degree Correction

• arxiv url: http://arxiv.org/abs/2105.12290v1
• Date: Wed, 26 May 2021 01:25:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-28 02:30:22.648838
• Title: Block Dense Weighted Networks with Augmented Degree Correction
• Title（参考訳）: 重み補正によるブロック密度重み付きネットワーク
• Authors: Benjamin Leinwand, Vladas Pipiras
• Abstract要約: 本稿では,接続パターンの異なる重み付きネットワークの生成と推定を行う新しいフレームワークを提案する。 提案したモデルは,個々のノード特性をノードを接続するエッジにマッピングする関数の特定のクラスに依存している。 また,複数のデータセットを収集できない状況において,同一の頂点上で新たなネットワークを生成するブートストラップ手法を開発した。
• 参考スコア（独自算出の注目度）: 1.2031796234206138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dense networks with weighted connections often exhibit a community like structure, where although most nodes are connected to each other, different patterns of edge weights may emerge depending on each node's community membership. We propose a new framework for generating and estimating dense weighted networks with potentially different connectivity patterns across different communities. The proposed model relies on a particular class of functions which map individual node characteristics to the edges connecting those nodes, allowing for flexibility while requiring a small number of parameters relative to the number of edges. By leveraging the estimation techniques, we also develop a bootstrap methodology for generating new networks on the same set of vertices, which may be useful in circumstances where multiple data sets cannot be collected. Performance of these methods are analyzed in theory, simulations, and real data.
• Abstract（参考訳）: 重み付けされた接続を持つ密集したネットワークは、たいていのノードが互いに接続しているにもかかわらず、各ノードのコミュニティメンバーシップによって異なるエッジ重みのパターンが出現する、構造のようなコミュニティを示すことが多い。 本研究では,異なるコミュニティ間で異なる接続パターンを持つ重み付きネットワークの生成と推定を行う新しいフレームワークを提案する。 提案したモデルでは,個々のノード特性を各ノードを接続するエッジにマッピングする関数のクラスに依存しており,エッジ数に対して少数のパラメータを必要としながら,柔軟性を実現する。 推定手法を活用することにより,複数のデータセットを収集できない状況において有用な,同一の頂点上で新たなネットワークを生成するブートストラップ手法も開発する。 これらの手法の性能は理論、シミュレーション、実データで分析される。

関連論文リスト

• A Dirichlet stochastic block model for composition-weighted networks [0.0]
  合成重みベクトルの直接モデリングに基づく合成重み付きネットワークのブロックモデルを提案する。 推論は分類期待-最大化アルゴリズムの拡張によって実装される。 このモデルはシミュレーション研究を用いて検証され,Erasmus交換プログラムのネットワークデータと,ロンドン市における自転車共有ネットワークで実証された。
  論文  参考訳（メタデータ） (2024-08-01T15:41:07Z)
• Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic Block Model [0.16385815610837165]
  本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。 ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。 また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
  論文  参考訳（メタデータ） (2023-10-30T16:46:05Z)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• Network Clustering for Latent State and Changepoint Detection [0.0]
  本稿では,ネットワーククラスタリングのタスクに対する凸アプローチを提案する。 コンベックスネットワーククラスタリングのための効率的なアルゴリズムを提案し,その有効性を合成例で示す。
  論文  参考訳（メタデータ） (2021-11-01T21:51:45Z)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
  本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。 提案するフレームワークは容易に異種ネットワークに拡張できる。
  論文  参考訳（メタデータ） (2020-06-07T19:26:20Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• Latent Poisson models for networks with heterogeneous density [0.0]
  経験的ネットワークは、ネットワークの総サイズと比較すると、ノード当たりの平均接続数が少ないため、グローバルに疎結合であることが多い。 隠れた多グラフを生成する潜在ポアソンモデルがこの密度を捉えるのにいかに効果的かを示すとともに、単純なグラフを直接モデル化するいくつかの選択肢よりも数学的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-18T18:58:13Z)
• A Block-based Generative Model for Attributed Networks Embedding [42.00826538556588]
  本稿では,確率の観点から属性付きネットワーク埋め込みのためのブロックベース生成モデルを提案する。 ニューラルネットワークを用いてノード埋め込みとノード属性間の非線形性を特徴付ける。 その結果,提案手法はクラスタリングと分類タスクの両方において,最先端の埋め込み手法よりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2020-01-06T03:44:15Z)

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。