論文の概要: Spectral goodness-of-fit tests for complete and partial network data
- arxiv url: http://arxiv.org/abs/2106.09702v1
- Date: Thu, 17 Jun 2021 17:56:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-18 15:57:16.899923
- Title: Spectral goodness-of-fit tests for complete and partial network data
- Title（参考訳）: 完全および部分的ネットワークデータに対するスペクトル良性試験
- Authors: Shane Lubold and Bolun Liu and Tyler H. McCormick
- Abstract要約: 我々は、最近のランダム行列理論の結果を用いて、ダイアディックデータに対する一般的な適合性テスト(英語版)を導出する。
提案手法は,特定の関心モデルに適用された場合,パラメータ選択の単純かつ高速な方法であることを示す。
提案手法は, コミュニティ検出アルゴリズムの改良に繋がる。
- 参考スコア（独自算出の注目度）: 1.7188280334580197
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Networks describe the, often complex, relationships between individual
actors. In this work, we address the question of how to determine whether a
parametric model, such as a stochastic block model or latent space model, fits
a dataset well and will extrapolate to similar data. We use recent results in
random matrix theory to derive a general goodness-of-fit test for dyadic data.
We show that our method, when applied to a specific model of interest, provides
an straightforward, computationally fast way of selecting parameters in a
number of commonly used network models. For example, we show how to select the
dimension of the latent space in latent space models. Unlike other network
goodness-of-fit methods, our general approach does not require simulating from
a candidate parametric model, which can be cumbersome with large graphs, and
eliminates the need to choose a particular set of statistics on the graph for
comparison. It also allows us to perform goodness-of-fit tests on partial
network data, such as Aggregated Relational Data. We show with simulations that
our method performs well in many situations of interest. We analyze several
empirically relevant networks and show that our method leads to improved
community detection algorithms. R code to implement our method is available on
Github.
- Abstract（参考訳）: ネットワークは個々のアクター間の複雑な関係を記述する。
本研究では,確率ブロックモデルや潜在空間モデルといったパラメトリックモデルがデータセットに適合するかどうかを判断し,同様のデータに推定する方法について述べる。
本研究では,ランダム行列理論における最近の結果を用いて,dyadicデータに対する一般適合性テストを行う。
提案手法は,特定の関心モデルに適用した場合,よく用いられるネットワークモデルにおいて,パラメータを選択する簡単な,計算的に高速な方法を提供する。
例えば、潜在空間モデルにおける潜在空間の次元を選択する方法を示す。
他のネットワーク適合性手法とは異なり、我々の一般的なアプローチは、大きなグラフで煩雑な候補パラメトリックモデルからのシミュレーションを必要とせず、比較のためにグラフ上の特定の統計セットを選択する必要がなくなる。
また、集約されたリレーショナルデータなど、部分的なネットワークデータに対する適合度テストの実行も可能です。
我々は,本手法が興味のある多くの状況で良好に動作することを示すシミュレーションで示す。
実験的に関係のあるネットワークを分析し,提案手法がコミュニティ検出アルゴリズムの改善につながることを示す。
我々のメソッドを実装するためのRコードはGithubで入手できる。
関連論文リスト
- PARSAC: Accelerating Robust Multi-Model Fitting with Parallel Sample
Consensus [26.366299016589256]
雑音データから幾何モデルの複数事例を頑健に推定するリアルタイム手法を提案する。
ニューラルネットワークは、入力データを潜在的モデルインスタンスを表すクラスタに分割する。
我々は、画像当たり5ミリ秒の推論時間を持つ複数の確立されたデータセットと同様に、これらに対して最先端のパフォーマンスを実証する。
論文 参考訳（メタデータ） (2024-01-26T14:54:56Z) - Towards Free Data Selection with General-Purpose Models [71.92151210413374]
望ましいデータ選択アルゴリズムは、限られたアノテーション予算の有用性を最大化するために、最も情報性の高いサンプルを効率的に選択することができる。
アクティブな学習手法で表現された現在のアプローチは、通常、時間を要するモデルのトレーニングとバッチデータ選択を繰り返し繰り返す、面倒なパイプラインに従う。
FreeSelは重いバッチ選択プロセスをバイパスし、効率を大幅に改善し、既存のアクティブラーニングメソッドよりも530倍高速である。
論文 参考訳（メタデータ） (2023-09-29T15:50:14Z) - Finding Meaningful Distributions of ML Black-boxes under Forensic
Investigation [25.79728190384834]
ドキュメンテーションの不十分なニューラルネットワークモデルを考えると、モデルのデータドメインを知りたがっている法医学研究者の視点を捉えます。
本稿では、ImageNetなどの包括的コーパスを利用して意味のある分布を選択することで、この問題を解決することを提案する。
私たちのゴールは、与えられたモデルのためにコーパスからサンプルのセットを選択することです。
論文 参考訳（メタデータ） (2023-05-10T03:25:23Z) - VertiBayes: Learning Bayesian network parameters from vertically partitioned data with missing values [2.9707233220536313]
フェデレーション学習は、分散データに基づいて機械学習モデルをトレーニングすることを可能にする。
本稿では,垂直分割データ上でベイズネットワークを学習するためのVertiBayesという新しい手法を提案する。
提案手法は,従来のアルゴリズムを用いて学習したモデルに匹敵するモデルを生成する。
論文 参考訳（メタデータ） (2022-10-31T11:13:35Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳（メタデータ） (2022-10-05T09:17:27Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Network Estimation by Mixing: Adaptivity and More [2.3478438171452014]
我々は、利用可能な任意のモデルを利用して、個々のパフォーマンスを改善する混合戦略を提案する。
提案手法は計算効率が高く,チューニングがほとんどない。
提案手法は,真のモデルが個々の候補に含まれる場合のオラクル推定と同等に動作することを示す。
論文 参考訳（メタデータ） (2021-06-05T05:17:04Z) - Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。
複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。
これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
論文 参考訳（メタデータ） (2021-03-25T14:35:07Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-04-22T15:15:46Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z) - 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。