論文の概要: Universal Multilayer Network Exploration by Random Walk with Restart
- arxiv url: http://arxiv.org/abs/2107.04565v1
- Date: Fri, 9 Jul 2021 17:33:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-12 15:22:07.167135
- Title: Universal Multilayer Network Exploration by Random Walk with Restart
- Title（参考訳）: ランダムウォークと再起動によるユニバーサル多層ネットワーク探索
- Authors: Anthony Baptista, Aitor Gonzalez, Ana\"is Baudot
- Abstract要約: MultiXrankはPythonパッケージで、あらゆる種類のマルチレイヤネットワーク上でRandom Walk with Restartを可能にする。
我々は,MultiXrankがヒト遺伝疾患の文脈において,教師なしノード優先順位付けや教師なし分類にどのように利用できるかを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The amount and variety of data is increasing drastically for several years.
These data are often represented as networks, which are then explored with
approaches arising from network theory. Recent years have witnessed the
extension of network exploration methods to leverage more complex and richer
network frameworks. Random walks, for instance, have been extended to explore
multilayer networks. However, current random walk approaches are limited in the
combination and heterogeneity of network layers they can handle. New analytical
and numerical random walk methods are needed to cope with the increasing
diversity and complexity of multilayer networks. We propose here MultiXrank, a
Python package that enables Random Walk with Restart (RWR) on any kind of
multilayer network with an optimized implementation. This package is supported
by a universal mathematical formulation of the RWR. We evaluated MultiXrank
with leave-one-out cross-validation and link prediction, and introduced
protocols to measure the impact of the addition or removal of multilayer
network data on prediction performances. We further measured the sensitivity of
MultiXrank to input parameters by in-depth exploration of the parameter space.
Finally, we illustrate the versatility of MultiXrank with different use-cases
of unsupervised node prioritization and supervised classification in the
context of human genetic diseases.
- Abstract（参考訳）: ここ数年、データの量と種類は劇的に増加している。
これらのデータはしばしばネットワークとして表現され、ネットワーク理論から生じるアプローチで探索される。
近年では、より複雑でリッチなネットワークフレームワークを活用するためのネットワーク探索手法が拡張されている。
例えば、ランダムウォークは多層ネットワークを探索するために拡張されている。
しかし、現在のランダムウォークアプローチは、処理可能なネットワーク層の組合せと不均一性に制限がある。
多層ネットワークの多様性と複雑さの増大に対応するために,新しい解析的および数値的ランダムウォーク法が必要である。
そこで本稿では,Random Walk with Restart(RWR)を最適化したマルチレイヤネットワーク上で実現するPythonパッケージであるMultiXrankを提案する。
このパッケージはRWRの普遍的な数学的定式化によって支えられている。
我々は,MultiXrankを相互検証とリンク予測で評価し,マルチレイヤネットワークデータの追加や削除が予測性能に与える影響を評価するためのプロトコルを導入した。
さらに,入力パラメータに対するマルチックスランクの感度をパラメータ空間の詳細な探索により測定した。
最後に,ヒト遺伝病の文脈において,非教師付きノード優先化と教師付き分類の異なるユースケースを用いたマルチックスランクの汎用性を示す。
関連論文リスト
- Random Walk on Multiple Networks [20.52880283389138]
本稿では,複数のネットワークにおけるリッチな情報を活用するために,複数ネットワーク上のランダムウォーク(RWM)を提案する。
RWMは各ネットワーク上でランダムなウォーカを送り、局所的な近接を求める。
合成データセットと実世界のデータセットの両方で実施された実験は、RWMの有効性と効率を実証している。
論文 参考訳（メタデータ） (2023-07-04T10:45:11Z) - Multiplex Heterogeneous Graph Convolutional Network [25.494590588212542]
異種ネットワーク埋め込みのための多重異種グラフ畳み込みネットワーク(MHGCN)を提案する。
我々のMHGCNは、多重異種ネットワークにおいて、異なる長さの有用な異種メタパス相互作用を自動的に学習することができる。
論文 参考訳（メタデータ） (2022-08-12T06:17:54Z) - Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。
我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文 参考訳（メタデータ） (2021-06-15T09:03:28Z) - All at Once Network Quantization via Collaborative Knowledge Transfer [56.95849086170461]
オールオンス量子化ネットワークを効率的にトレーニングするための新しい共同知識伝達アプローチを開発しています。
具体的には、低精度の学生に知識を伝達するための高精度のエンクォータを選択するための適応的選択戦略を提案する。
知識を効果的に伝達するために,低精度の学生ネットワークのブロックを高精度の教師ネットワークのブロックにランダムに置き換える動的ブロックスワッピング法を開発した。
論文 参考訳（メタデータ） (2021-03-02T03:09:03Z) - Link prediction in multiplex networks via triadic closure [0.9329978164030673]
リンク予測アルゴリズムは複雑なシステムの構造と力学を理解するのに役立つ。
我々は,新しいリンクの予測を改善するために,異なる種類のリレーショナルデータを利用することができることを示す。
本稿では,Adamic-Adar法を任意の層で構成された多重化ネットワークに一般化し,新しいリンク予測アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-16T20:25:08Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳（メタデータ） (2020-10-29T06:32:53Z) - MultiVERSE: a multiplex and multiplex-heterogeneous network embedding
approach [0.0]
MultiVERSEは、マルチプレックスおよびマルチプレックスヘテロジニアスネットワークからノード埋め込みを学習する高速でスケーラブルな方法である。
生体およびソーシャルネットワーク上でMultiVERSEを評価し,その効率性を実証した。
論文 参考訳（メタデータ） (2020-08-23T18:18:54Z) - A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network
Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。
具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。
提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文 参考訳（メタデータ） (2020-07-19T22:50:20Z) - ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。
本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
論文 参考訳（メタデータ） (2020-06-28T23:09:27Z) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:36:24Z)
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。