論文の概要: A Generative Node-attribute Network Model for Detecting Generalized Structure

• arxiv url: http://arxiv.org/abs/2106.02878v1
• Date: Sat, 5 Jun 2021 12:07:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 17:44:12.287467
• Title: A Generative Node-attribute Network Model for Detecting Generalized Structure
• Title（参考訳）: 一般化構造検出のための生成ノード属性ネットワークモデル
• Authors: Wei Liu and Zhenhai Chang and Caiyan Jia and Yimei Zheng
• Abstract要約: トポロジ情報と属性情報の両方を生成できる原理モデル(GNAN)を提案する。 新しいモデルは、コミュニティ構造だけでなく、ネットワーク内の他の種類の構造も検出できる。 合成と実世界の両方のネットワークの実験は、新しいモデルが他の最先端モデルと競合していることを示している。
• 参考スコア（独自算出の注目度）: 6.151348127802708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exploring meaningful structural regularities embedded in networks is a key to understanding and analyzing the structure and function of a network. The node-attribute information can help improve such understanding and analysis. However, most of the existing methods focus on detecting traditional communities, i.e., groupings of nodes with dense internal connections and sparse external ones. In this paper, based on the connectivity behavior of nodes and homogeneity of attributes, we propose a principle model (named GNAN), which can generate both topology information and attribute information. The new model can detect not only community structure, but also a range of other types of structure in networks, such as bipartite structure, core-periphery structure, and their mixture structure, which are collectively referred to as generalized structure. The proposed model that combines topological information and node-attribute information can detect communities more accurately than the model that only uses topology information. The dependency between attributes and communities can be automatically learned by our model and thus we can ignore the attributes that do not contain useful information. The model parameters are inferred by using the expectation-maximization algorithm. And a case study is provided to show the ability of our model in the semantic interpretability of communities. Experiments on both synthetic and real-world networks show that the new model is competitive with other state-of-the-art models.
• Abstract（参考訳）: ネットワークに埋め込まれた意味のある構造的規則性を探究することは、ネットワークの構造と機能を理解し解析する鍵となる。 ノード属性情報は、そのような理解と分析を改善するのに役立つ。 しかし、既存の手法のほとんどは、密接な内部接続と疎外接続を持つノードのグループ化など、従来のコミュニティの検出に重点を置いている。 本稿では,ノードの接続挙動と属性の均一性に基づいて,トポロジ情報と属性情報の両方を生成する原理モデル(GNAN)を提案する。 新しいモデルは、コミュニティ構造だけでなく、二部構造、コア・ペリー構造、それらの混合構造といったネットワーク内の他の種類の構造も検出でき、これを総称して一般化構造と呼ぶ。 トポロジ情報とノード属性情報を組み合わせた提案モデルでは,トポロジ情報のみを使用するモデルよりもコミュニティをより正確に検出できる。 属性とコミュニティ間の依存性はモデルによって自動的に学習できるので、有用な情報を含んでいない属性を無視することができる。 予測最大化アルゴリズムを用いてモデルパラメータを推定する。 また,本モデルがコミュニティの意味的解釈に有効であることを示すために,事例研究を行った。 合成と実世界の両方のネットワークの実験は、新しいモデルが他の最先端モデルと競合していることを示している。

関連論文リスト

• Learning Invariant Representations of Graph Neural Networks via Cluster Generalization [58.68231635082891]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのモデリングでますます人気が高まっている。 本稿では,構造変化が発生した場合,GNNの性能が著しく低下することが実験的に確認された。 本稿では,GNNの不変表現を学習するクラスタ情報伝達(CIT)機構を提案する。
  論文  参考訳（メタデータ） (2024-03-06T10:36:56Z)
• Inferring community structure in attributed hypergraphs using stochastic block models [3.335932527835653]
  本研究では,ノード属性データをハイパーグラフのコミュニティ構造学習に組み込む統計フレームワークを開発した。 我々は,HyperNEOと呼ぶモデルにより,人工・経験的ハイパーグラフにおけるコミュニティ構造の学習が促進されることを実証した。 我々は,現実世界の複合システムにおける高次コミュニティ構造の調査と理解の拡大を期待する。
  論文  参考訳（メタデータ） (2024-01-01T07:31:32Z)
• 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)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Bayesian Detection of Mesoscale Structures in Pathway Data on Graphs [0.0]
  メソスケール構造は 複雑なシステムの抽象化と解析の 不可欠な部分です それらは、社会的または引用ネットワークにおけるコミュニティ、企業間相互作用における役割、または輸送ネットワークにおける中核周辺構造におけるコミュニティを表現することができる。 我々は,グループ内のノードの最適分割と高次ネットワークの最適ダイナミクスを同時にモデル化するベイズ的アプローチを導出する。
  論文  参考訳（メタデータ） (2023-01-16T12:45:33Z)
• Adaptive Attribute and Structure Subspace Clustering Network [49.040136530379094]
  自己表現型サブスペースクラスタリングネットワークを提案する。 まず、入力データサンプルを表現する自動エンコーダについて検討する。 そこで我々は, 局所的な幾何学的構造を捉えるために, 混合符号と対称構造行列を構築した。 構築された属性構造と行列に対して自己表現を行い、親和性グラフを学習する。
  論文  参考訳（メタデータ） (2021-09-28T14:00:57Z)
• CoANE: Modeling Context Co-occurrence for Attributed Network Embedding [10.609715843964263]
  分散ネットワーク埋め込み(ANE)とは、ネットワーク構造だけでなく、ノード属性も保存できるように、低次元ベクトルを学習することである。 我々は新しいANEモデルであるContext Co-occurrence-aware Attributed Network Embedding (CoANE)を提案する。 コンテキスト共起の学習は、各ノードの潜伏する社会円を捉えることができる。
  論文  参考訳（メタデータ） (2021-06-17T04:31:02Z)
• Neural Production Systems [90.75211413357577]
  視覚環境は、異なるオブジェクトまたはエンティティから構成される。 イメージをエンティティに分割するために、ディープラーニング研究者は構造的誘導バイアスを提案した。 私たちは認知科学からインスピレーションを得て、一連のルールテンプレートからなる古典的なアプローチを復活させます。 このアーキテクチャは柔軟でダイナミックな制御フローを実現し、エンティティ固有およびルールベースの情報を分解するのに役立つ。
  論文  参考訳（メタデータ） (2021-03-02T18:53:20Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• 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)
• Struct-MMSB: Mixed Membership Stochastic Blockmodels with Interpretable Structured Priors [13.712395104755783]
  混合メンバシップブロックモデル(MMSB)は、コミュニティ検出とネットワーク生成のための一般的なフレームワークである。 最近開発された統計リレーショナル学習モデルであるヒンジロスマルコフ確率場(HL-MRF)を用いた柔軟なMMSBモデル、textitStruct-MMSBを提案する。 我々のモデルは、観測された特徴と会員分布の複雑な組み合わせとして符号化された有意義な潜伏変数を用いて、実世界のネットワークにおける潜伏特性を学習することができる。
  論文  参考訳（メタデータ） (2020-02-21T19:32:32Z)

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。