論文の概要: A Pre-training Oracle for Predicting Distances in Social Networks
- arxiv url: http://arxiv.org/abs/2106.03233v1
- Date: Sun, 6 Jun 2021 20:06:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-13 08:19:50.391228
- Title: A Pre-training Oracle for Predicting Distances in Social Networks
- Title（参考訳）: ソーシャルネットワークにおける距離予測のための事前学習oracle
- Authors: Gunjan Mahindre and Randy Paffenroth and Anura Jayasumana and Rasika
Karkare
- Abstract要約: 本研究では,現実のソーシャルネットワークにおける距離予測手法を提案する。
私たちは、アプローチを"Oracle Search Pre-Training"(OSP)と呼びます。
ソーシャルネットワークからサンプリングされた距離の1%しか持たない1ホップ未満の予測誤差を実現する。
- 参考スコア（独自算出の注目度）: 0.27998963147546146
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a novel method to make distance predictions in
real-world social networks. As predicting missing distances is a difficult
problem, we take a two-stage approach. Structural parameters for families of
synthetic networks are first estimated from a small set of measurements of a
real-world network and these synthetic networks are then used to pre-train the
predictive neural networks. Since our model first searches for the most
suitable synthetic graph parameters which can be used as an "oracle" to create
arbitrarily large training data sets, we call our approach "Oracle Search
Pre-training" (OSP). For example, many real-world networks exhibit a Power law
structure in their node degree distribution, so a Power law model can provide a
foundation for the desired oracle to generate synthetic pre-training networks,
if the appropriate Power law graph parameters can be estimated. Accordingly, we
conduct experiments on real-world Facebook, Email, and Train Bombing networks
and show that OSP outperforms models without pre-training, models pre-trained
with inaccurate parameters, and other distance prediction schemes such as
Low-rank Matrix Completion. In particular, we achieve a prediction error of
less than one hop with only 1% of sampled distances from the social network.
OSP can be easily extended to other domains such as random networks by choosing
an appropriate model to generate synthetic training data, and therefore
promises to impact many different network learning problems.
- Abstract（参考訳）: 本稿では,実世界のソーシャルネットワークにおける距離予測手法を提案する。
欠落距離の予測は難しい問題であるので、2段階のアプローチを取る。
合成ネットワークファミリーの構造パラメータは、まず実世界のネットワークの小さな測定セットから推定され、これらの合成ネットワークは予測ニューラルネットワークを事前訓練するために使用される。
モデルではまず,任意に大規模なトレーニングデータセットを生成するために,最も適切な合成グラフパラメータを探索するので,我々はこの手法を"Oracle Search Pre-training" (OSP) と呼ぶ。
例えば、多くの現実世界のネットワークはノードの次数分布にパワーロー構造を示すため、適切なパワーローグラフパラメータを推定できるならば、パワーローモデルは所望のオラクルの基盤を提供して合成事前学習ネットワークを生成することができる。
そこで,本研究では,実世界のfacebook,eメール,および爆弾ネットワークのトレーニング実験を行い,ospが事前トレーニングを行わずにモデルを上回ること,不正確なパラメータで事前トレーニングされたモデル,および低ランク行列補完などの距離予測スキームを示す。
特に,ソーシャルネットワークからのサンプル距離の1%しか持たない1ホップ未満の予測誤差を達成する。
OSPは、合成トレーニングデータを生成する適切なモデルを選択することで、ランダムネットワークなどの他のドメインに容易に拡張することができ、多くの異なるネットワーク学習問題に影響を与えることを約束する。
関連論文リスト
- Fitting Low-rank Models on Egocentrically Sampled Partial Networks [4.111899441919165]
本稿では,egocentricly sampled network に対する一般的な低ランクモデルに適合する手法を提案する。
この手法は、エゴセントリックな部分的ネットワーク推定に関する最初の理論的保証を提供する。
本手法を複数の合成および実世界のネットワーク上で評価し,リンク予測タスクにおいて競合性能を実現することを示す。
論文 参考訳（メタデータ） (2023-03-09T03:20:44Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T07:49:48Z) - Likelihood-Free Inference with Generative Neural Networks via Scoring
Rule Minimization [0.0]
推測法は、難易度のあるシミュレーターモデルに対する後部近似を導出する。
多くの研究は、難易度または後部に直接近似するようにニューラルネットワークを訓練した。
本稿では,スコーリングルールの最小化によって訓練された生成ネットワークに後部を近似することを提案する。
論文 参考訳（メタデータ） (2022-05-31T13:32:55Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳（メタデータ） (2022-03-29T21:18:47Z) - Dual Lottery Ticket Hypothesis [71.95937879869334]
Lottery Ticket hypothesis (LTH)は、スパースネットワークトレーニングを調査し、その能力を維持するための新しい視点を提供する。
本稿では,LTHの当選チケットをトレーニング可能なサブネットワークとして,その性能をベンチマークとして検討する。
本稿では,簡単なスパースネットワークトレーニング戦略であるランダムスパースネットワークトランスフォーメーション(RST)を提案し,DLTHを裏付ける。
論文 参考訳（メタデータ） (2022-03-08T18:06:26Z) - Locally Sparse Networks for Interpretable Predictions [7.362415721170984]
本稿では,局所的な疎度をサンプル固有のゲーティング機構を用いて学習する,局所スパースニューラルネットワークのトレーニングフレームワークを提案する。
サンプル固有の間隔は、テキスト予測ネットワークで予測され、テキスト予測ネットワークとタンデムでトレーニングされる。
本手法は,1インスタンスあたりの機能が少ないターゲット関数の予測において,最先端のモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-06-11T15:46:50Z) - AI without networks [0.0]
我々は、生成モデリングを取り入れたAIのためのネットワークフリーフレームワークを開発する。
我々は、この枠組みを、民族学、制御理論、数学の3つの異なる分野の例で示す。
また、生成AIによる倫理的法的課題に対処するために、この枠組みに基づいて容易に計算された信用割当手法を提案する。
論文 参考訳（メタデータ） (2021-06-07T05:50:02Z) - Device Sampling for Heterogeneous Federated Learning: Theory,
Algorithms, and Implementation [24.084053136210027]
グラフシーケンシャル畳み込みネットワーク(GCN)に基づくサンプリング手法を開発した。
提案手法は,全機器の5%以下をサンプリングしながら,訓練されたモデル精度と必要なリソース利用の両面で,fedl(federated learning)を実質的に上回っている。
論文 参考訳（メタデータ） (2021-01-04T05:59:50Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳（メタデータ） (2020-07-07T03:36:28Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。