論文の概要: Latent structure blockmodels for Bayesian spectral graph clustering
- arxiv url: http://arxiv.org/abs/2107.01734v1
- Date: Sun, 4 Jul 2021 21:09:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-06 15:15:38.036000
- Title: Latent structure blockmodels for Bayesian spectral graph clustering
- Title(参考訳): ベイズスペクトルグラフクラスタリングのための潜在構造ブロックモデル
- Authors: Francesco Sanna Passino and Nicholas A. Heard
- Abstract要約: このようなシナリオに対処するために、LSBM(Latent Structure Block Model)と呼ばれるモデルのクラスが提案されている。
LSBMは、特定の潜在空間モデル、ランダムドット積グラフ(RDPG)に焦点を当て、各コミュニティの潜在位置に潜在サブ多様体を割り当てる。
LSBMから生じる埋め込みのベイズモデルについて考察し,シミュレーションおよび実世界のネットワークデータに優れた性能を示すことを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spectral embedding of network adjacency matrices often produces node
representations living approximately around low-dimensional submanifold
structures. In particular, hidden substructure is expected to arise when the
graph is generated from a latent position model. Furthermore, the presence of
communities within the network might generate community-specific submanifold
structures in the embedding, but this is not explicitly accounted for in most
statistical models for networks. In this article, a class of models called
latent structure block models (LSBM) is proposed to address such scenarios,
allowing for graph clustering when community-specific one dimensional manifold
structure is present. LSBMs focus on a specific class of latent space model,
the random dot product graph (RDPG), and assign a latent submanifold to the
latent positions of each community. A Bayesian model for the embeddings arising
from LSBMs is discussed, and shown to have a good performance on simulated and
real world network data. The model is able to correctly recover the underlying
communities living in a one-dimensional manifold, even when the parametric form
of the underlying curves is unknown, achieving remarkable results on a variety
of real data.
- Abstract(参考訳): ネットワーク隣接行列のスペクトル埋め込みは、概して低次元部分多様体構造に近いノード表現を生成する。
特に、グラフが潜在位置モデルから生成される際に隠れた部分構造が生じることが期待される。
さらに、ネットワーク内のコミュニティの存在は、埋め込みにコミュニティ固有のサブ多様体構造を生成する可能性があるが、これはネットワークのほとんどの統計モデルにおいて明確に説明されていない。
本稿では,コミュニティ固有の一次元多様体構造が存在する場合のグラフクラスタリングを実現するため,LSBM(Latent Structure Block Model)と呼ばれるモデルのクラスを提案する。
lsbmsは、ランダムドット積グラフ(rdpg)と呼ばれる、潜在空間モデルの特定のクラスに焦点を当て、潜在部分多様体を各コミュニティの潜在位置に割り当てる。
LSBMから生じる埋め込みのベイズモデルについて考察し,シミュレーションおよび実世界のネットワークデータに優れた性能を示すことを示す。
このモデルは、基礎となる曲線のパラメトリック形式が未知であっても、1次元多様体に居住する基盤となるコミュニティを正確に復元することができ、様々な実データに対して顕著な結果が得られる。
関連論文リスト
- Generative Flow Networks: Theory and Applications to Structure Learning [7.6872614776094]
この論文は、ベイズの観点からの構造学習の問題を研究する。
ジェネレーティブフローネットワーク(GFlowNets)を導入
GFlowNetsは、生成をシーケンシャルな意思決定問題として扱う。
論文 参考訳(メタデータ) (2025-01-09T17:47:17Z) - SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。
私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。
アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文 参考訳(メタデータ) (2024-09-30T17:59:03Z) - Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳(メタデータ) (2024-03-11T05:35:38Z) - 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) - Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。
近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。
DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文 参考訳(メタデータ) (2022-02-28T15:53:10Z) - Polynomial Networks in Deep Classifiers [55.90321402256631]
我々は深層ニューラルネットワークの研究を統一的な枠組みで行った。
私たちのフレームワークは、各モデルの誘導バイアスに関する洞察を提供します。
提案モデルの有効性を,標準画像および音声分類ベンチマークで評価した。
論文 参考訳(メタデータ) (2021-04-16T06:41:20Z) - Tractably Modelling Dependence in Networks Beyond Exchangeability [0.0]
本研究では, ネットワークの推定, クラスタリング, 次数挙動について検討する。
このことは、一般的には交換不能なネットワークデータをブロックモデルで記述できる理由と方法を探る。
論文 参考訳(メタデータ) (2020-07-28T17:13:59Z) - Graph Gamma Process Generalized Linear Dynamical Systems [60.467040479276704]
実マルチ変数時系列をモデル化するために,グラフガンマ過程(GGP)線形力学系を導入する。
時間的パターン発見のために、モデルの下での潜在表現は、時系列を多変量部分列の同相集合に分解するために使用される。
非零次ノード数が有限であるランダムグラフを用いて、潜時状態遷移行列の空間パターンと次元の両方を定義する。
論文 参考訳(メタデータ) (2020-07-25T04:16:34Z) - S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。
我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
論文 参考訳(メタデータ) (2020-07-13T17:44:30Z) - Consistency of Spectral Clustering on Hierarchical Stochastic Block
Models [5.983753938303726]
実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。
本手法の強い一貫性を,幅広いモデルパラメータで証明する。
既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
論文 参考訳(メタデータ) (2020-04-30T01:08:59Z)
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。