論文の概要: Recovering lost and absent information in temporal networks
- arxiv url: http://arxiv.org/abs/2107.10835v1
- Date: Thu, 22 Jul 2021 17:49:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 15:25:08.793040
- Title: Recovering lost and absent information in temporal networks
- Title（参考訳）: 時間ネットワークにおける損失・欠落情報の復元
- Authors: James P. Bagrow and Sune Lehmann
- Abstract要約: ノードのアクティビティからよりリッチなエッジアクティビティを復元するために静的ネットワークを使用することが可能であることを示す。
ネットワーク密度が増加すると、トポロジカルまたは動的に回復が困難になる。
これらの条件が満たされていない場合でも、高品質なソリューションが導出可能であることを示す。
- 参考スコア（独自算出の注目度）: 0.26397379133308213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The full range of activity in a temporal network is captured in its edge
activity data -- time series encoding the tie strengths or on-off dynamics of
each edge in the network. However, in many practical applications, edge-level
data are unavailable, and the network analyses must rely instead on node
activity data which aggregates the edge-activity data and thus is less
informative. This raises the question: Is it possible to use the static network
to recover the richer edge activities from the node activities? Here we show
that recovery is possible, often with a surprising degree of accuracy given how
much information is lost, and that the recovered data are useful for subsequent
network analysis tasks. Recovery is more difficult when network density
increases, either topologically or dynamically, but exploiting dynamical and
topological sparsity enables effective solutions to the recovery problem. We
formally characterize the difficulty of the recovery problem both theoretically
and empirically, proving the conditions under which recovery errors can be
bounded and showing that, even when these conditions are not met, good quality
solutions can still be derived. Effective recovery carries both promise and
peril, as it enables deeper scientific study of complex systems but in the
context of social systems also raises privacy concerns when social information
can be aggregated across multiple data sources.
- Abstract（参考訳）: 時間的ネットワーク内の活動の全範囲は、そのエッジアクティビティデータ -- ネットワークの各エッジのタイ強度やオンオフダイナミクスをエンコードする時系列データに記録される。
しかし、多くの実用的なアプリケーションでは、エッジレベルのデータは利用できないため、ネットワーク分析はエッジアクティビティデータを集約するノードのアクティビティデータに頼らなければならない。
静的ネットワークを使用して、ノードアクティビティからよりリッチなエッジアクティビティを復元することは可能ですか?
ここでは,情報の損失量を考えると,しばしば驚くほどの精度でリカバリが可能であり,回収されたデータはその後のネットワーク解析タスクに有用であることを示す。
回復は、トポロジカルあるいは動的にネットワーク密度が増加するとより困難になるが、動的およびトポロジカルな間隔を利用すると、回復問題に対する効果的な解が得られる。
そこで本研究では,リカバリ問題の難易度を理論的および経験的特徴付けし,リカバリエラーが境界づけられる条件を証明し,条件が満たされていない場合でも良質な解を導出できることを示す。
複雑なシステムのより深い科学的研究を可能にするため、効果的なリカバリにはpromiseとperilの両方があるが、社会システムのコンテキストでは、複数のデータソースにまたがってソーシャル情報が集約される場合、プライバシの懸念も高まる。
関連論文リスト
- How more data can hurt: Instability and regularization in next-generation reservoir computing [0.0]
我々は、この現象のより極端なバージョンが、力学系のデータ駆動モデルに現れることを示した。
トレーニングデータの多いフローマップの表現がより良くなったにもかかわらず、NGRCは不条件の積分器を採用でき、安定性を損なうことが判明した。
論文 参考訳（メタデータ） (2024-07-11T16:22:13Z) - Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
可塑性の喪失は複数の独立したメカニズムに分解できることを示す。
種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
論文 参考訳（メタデータ） (2024-02-29T00:02:33Z) - Doubly Robust Structure Identification from Temporal Data [34.00400857111283]
時系列データの原因を学習することは、ファイナンスから地球科学、バイオメディカルアプリケーションまで、多くのアプリケーションにおいて基本的な課題である。
このタスクの一般的なアプローチはベクトル自己回帰に基づいており、潜在的な原因間の未知の矛盾を考慮していない。
時間的データ(SITD)を用いた構造同定のための新しい二重頑健な手法を提案する。
論文 参考訳（メタデータ） (2023-11-10T11:53:42Z) - Understanding Reconstruction Attacks with the Neural Tangent Kernel and
Dataset Distillation [110.61853418925219]
我々は、データセット再構築攻撃のより強力なバージョンを構築し、無限の幅で設定されたエンペントリアルトレーニングを確実に回復する方法を示す。
理論的にも経験的にも再構成された画像は、データセットの「外部」に傾向を示す。
これらのリコンストラクション攻撃は, テクストデータセット蒸留において, 再構成画像上で再トレーニングを行い, 高い予測精度を得ることができる。
論文 参考訳（メタデータ） (2023-02-02T21:41:59Z) - Critical Learning Periods for Multisensory Integration in Deep Networks [112.40005682521638]
ニューラルネットワークが様々な情報源からの情報を統合する能力は、トレーニングの初期段階において、適切な相関した信号に晒されることに批判的になることを示す。
臨界周期は、訓練されたシステムとその学習された表現の最終性能を決定づける、複雑で不安定な初期過渡的ダイナミクスから生じることを示す。
論文 参考訳（メタデータ） (2022-10-06T23:50:38Z) - Dissecting U-net for Seismic Application: An In-Depth Study on Deep
Learning Multiple Removal [3.058685580689605]
地震処理は、しばしばデータ収集時に現れる多重を抑圧する必要がある。
我々は、その使い方の複雑さを減らしながら、競争力のある結果を提供するディープラーニングベースの代替案を提示します。
論文 参考訳（メタデータ） (2022-06-24T07:16:27Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳（メタデータ） (2021-12-09T07:11:14Z) - Understanding Catastrophic Forgetting and Remembering in Continual
Learning with Optimal Relevance Mapping [10.970706194360451]
ニューラルネットワークにおける破滅的な忘れは、継続的な学習にとって重要な問題です。
最適オーバーラップ仮説にインスパイアされたRelevance Mapping Networks(RMN)を紹介します。
我々は、RMNが破滅的な忘れと記憶の双対の問題を乗り越える最適化された表現重複を学ぶことを示しています。
論文 参考訳（メタデータ） (2021-02-22T20:34:00Z) - Joint Inference of Diffusion and Structure in Partially Observed Social
Networks Using Coupled Matrix Factorization [3.399624105745357]
本稿では、部分的に観測されたデータからモデルを学び、観測されていない拡散と構造ネットワークを推定する。
提案手法では,ノードとカスケードプロセスの相互関係を,学習因子と低次元潜在因子を用いて利用した。
これらの合成および実世界のデータセットの実験により、提案手法は見えない社会行動を検出し、リンクを予測し、潜伏した特徴を識別することに成功した。
論文 参考訳（メタデータ） (2020-10-03T17:48:57Z) - Bridging Mode Connectivity in Loss Landscapes and Adversarial Robustness [97.67477497115163]
我々は、モード接続を用いて、ディープニューラルネットワークの対角的堅牢性を研究する。
実験では、異なるネットワークアーキテクチャやデータセットに適用される様々な種類の敵攻撃について取り上げる。
以上の結果から,モード接続は,敵の強靭性を評価・改善するための総合的なツールであり,実用的な手段であることが示唆された。
論文 参考訳（メタデータ） (2020-04-30T19:12:50Z)
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。