論文の概要: Interpretable Network Representation Learning with Principal Component
Analysis
- arxiv url: http://arxiv.org/abs/2106.14238v1
- Date: Sun, 27 Jun 2021 13:52:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-30 03:04:53.952423
- Title: Interpretable Network Representation Learning with Principal Component
Analysis
- Title（参考訳）: 主成分分析による解釈可能なネットワーク表現学習
- Authors: James D. Wilson, Jihui Lee
- Abstract要約: ネットワーク評価データのサンプルに対する解釈可能なネットワーク表現学習の問題点を考察する。
ネットワークサンプルの統計的に意味のある低次元表現を識別するためのPCANアルゴリズムを提案する。
高速サンプリングに基づくアルゴリズム sPCAN を導入し,計算効率は比較的高いが,解釈可能性の利点を享受している。
- 参考スコア（独自算出の注目度）: 1.2183405753834557
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of interpretable network representation learning for
samples of network-valued data. We propose the Principal Component Analysis for
Networks (PCAN) algorithm to identify statistically meaningful low-dimensional
representations of a network sample via subgraph count statistics. The PCAN
procedure provides an interpretable framework for which one can readily
visualize, explore, and formulate predictive models for network samples. We
furthermore introduce a fast sampling-based algorithm, sPCAN, which is
significantly more computationally efficient than its counterpart, but still
enjoys advantages of interpretability. We investigate the relationship between
these two methods and analyze their large-sample properties under the common
regime where the sample of networks is a collection of kernel-based random
graphs. We show that under this regime, the embeddings of the sPCAN method
enjoy a central limit theorem and moreover that the population level embeddings
of PCAN and sPCAN are equivalent. We assess PCAN's ability to visualize,
cluster, and classify observations in network samples arising in nature,
including functional connectivity network samples and dynamic networks
describing the political co-voting habits of the U.S. Senate. Our analyses
reveal that our proposed algorithm provides informative and discriminatory
features describing the networks in each sample. The PCAN and sPCAN methods
build on the current literature of network representation learning and set the
stage for a new line of research in interpretable learning on network-valued
data. Publicly available software for the PCAN and sPCAN methods are available
at https://www.github.com/jihuilee/.
- Abstract（参考訳）: ネットワーク価値データサンプルに対する解釈可能なネットワーク表現学習の問題を考える。
本稿では,ネットワークサンプルの統計的に意味のある低次元表現をサブグラフカウント統計を用いて同定するPCANアルゴリズムを提案する。
PCANプロシージャは、容易にネットワークサンプルの予測モデルを視覚化、探索、定式化できる解釈可能なフレームワークを提供する。
さらに,高速なサンプリングベースアルゴリズムであるspcanを導入することで,計算効率は大幅に向上するが,解釈可能性の利点を享受する。
ネットワークのサンプルがカーネルベースのランダムグラフの集合である共通状態下で,これらの2つの手法の関係を調査し,その大きなサンプル特性を解析する。
この体制下では、sPCAN法の埋め込みは中心極限定理を享受し、さらにPCANとsPCANの集団レベルの埋め込みは等価であることを示す。
我々は、pcanが生来のネットワークサンプルを可視化し、クラスター化し、分類する能力を評価する。例えば、機能的な接続ネットワークサンプルや、アメリカ合衆国上院の政治的共同投票習慣を記述した動的ネットワークなどである。
分析の結果,提案アルゴリズムは各サンプルのネットワークを記述する情報的・識別的特徴を提供することがわかった。
PCAN法とsPCAN法は、ネットワーク表現学習の現在の文献に基づいて構築され、ネットワーク価値データに対する解釈可能な学習の新たな行の舞台となる。
PCANおよびsPCANメソッド用の公開ソフトウェアはhttps://www.github.com/jihuilee/.comで入手できる。
関連論文リスト
- When does the mean network capture the topology of a sample of networks? [0.0]
この研究は、ブロックモデルのサンプルFr'echet平均の分析的推定を初めて提供するため、重要なものである。
本研究では,ハミング距離で計算した平均ネットワークが,トレーニングサンプル中のネットワークのトポロジを捕捉できないことを示す。
実践的な観点から、我々の研究は、サンプルFr'echet平均ネットワークを用いてネットワーク評価機械学習のためのネットワークのトポロジを特徴づけるコンテキストにおけるメトリクスの選択を通知する。
論文 参考訳（メタデータ） (2024-08-06T22:14:54Z) - Neural Clustering based Visual Representation Learning [61.72646814537163]
クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。
本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。
FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
論文 参考訳（メタデータ） (2024-03-26T06:04:50Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - k* Distribution: Evaluating the Latent Space of Deep Neural Networks using Local Neighborhood Analysis [7.742297876120561]
ここでは,k*分布とその可視化手法を紹介する。
本手法では, サンプル分布の構造の保存を保証するため, 局所的近傍解析を用いる。
実験により、ネットワークの学習潜在空間内のサンプルの分布は、クラスによって大きく異なることが示された。
論文 参考訳（メタデータ） (2023-12-07T03:42:48Z) - Decomposing neural networks as mappings of correlation functions [57.52754806616669]
本研究では,ディープフィードフォワードネットワークによって実装された確率分布のマッピングについて検討する。
ニューラルネットワークで使用できる異なる情報表現と同様に、データに不可欠な統計を識別する。
論文 参考訳（メタデータ） (2022-02-10T09:30:31Z) - ADMM-DAD net: a deep unfolding network for analysis compressed sensing [20.88999913266683]
圧縮センシング解析のためのADMMアルゴリズムに基づく新しい深部展開ニューラルネットワークを提案する。
提案するネットワークは、スパーシフィケーションのための冗長解析演算子を共同で学習し、関心のシグナルを再構成する。
論文 参考訳（メタデータ） (2021-10-13T18:56:59Z) - 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) - Deep Archimedean Copulas [98.96141706464425]
ACNetは、構造的特性を強制する、新しい差別化可能なニューラルネットワークアーキテクチャである。
我々は、ACNetが共通のアルキメデスコピュラスを近似し、データに適合する可能性のある新しいコプラを生成することができることを示した。
論文 参考訳（メタデータ） (2020-12-05T22:58:37Z) - SNoRe: Scalable Unsupervised Learning of Symbolic Node Representations [0.0]
提案したSNoReアルゴリズムは、個々のネットワークノードのシンボリックで人間の理解可能な表現を学習することができる。
SNoReの解釈可能な特徴は、個々の予測を直接説明するのに適している。
SNoReのベクトル化実装は大規模ネットワークにスケールし、現代のネットワーク学習および分析タスクに適している。
論文 参考訳（メタデータ） (2020-09-08T08:13:21Z) - Region Comparison Network for Interpretable Few-shot Image
Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。
本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。
また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文 参考訳（メタデータ） (2020-09-08T07:29:05Z) - Network Comparison with Interpretable Contrastive Network Representation
Learning [44.145644586950574]
コントラストネットワーク表現学習(cNRL)と呼ばれる新しい分析手法を導入する。
cNRLは、ネットワークノードを低次元の表現に埋め込み、あるネットワークが他に比べてユニークであることを明らかにする。
複数のネットワークモデルと実世界のデータセットとのネットワーク比較におけるi-cNRLの有効性を示す。
論文 参考訳（メタデータ） (2020-05-25T21:46:59Z)
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。