論文の概要: Structure Amplification on Multi-layer Stochastic Block Models
- arxiv url: http://arxiv.org/abs/2108.00127v1
- Date: Sat, 31 Jul 2021 02:11:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-03 15:08:19.006290
- Title: Structure Amplification on Multi-layer Stochastic Block Models
- Title（参考訳）: 多層確率ブロックモデルにおける構造増幅
- Authors: Xiaodong Xin, Kun He, Jialu Bao, Bart Selman, John E. Hopcroft
- Abstract要約: 本稿では,複雑なネットワークに隠された構造を明らかにする一般的な構造増幅手法を提案する。
HiCODEは、隠れた機能が現れるようにランダム化することで、支配的な構造を徐々に弱める。
繰り返し還元法が隠れ構造物の発見を促進することができるという理論的証明を提供する。
- 参考スコア（独自算出の注目度）: 16.53851254884497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Much of the complexity of social, biological, and engineered systems arises
from a network of complex interactions connecting many basic components.
Network analysis tools have been successful at uncovering latent structure
termed communities in such networks. However, some of the most interesting
structure can be difficult to uncover because it is obscured by the more
dominant structure. Our previous work proposes a general structure
amplification technique called HICODE that uncovers many layers of functional
hidden structure in complex networks. HICODE incrementally weakens dominant
structure through randomization allowing the hidden functionality to emerge,
and uncovers these hidden structure in real-world networks that previous
methods rarely uncover. In this work, we conduct a comprehensive and systematic
theoretical analysis on the hidden community structure. In what follows, we
define multi-layer stochastic block model, and provide theoretical support
using the model on why the existence of hidden structure will make the
detection of dominant structure harder compared with equivalent random noise.
We then provide theoretical proofs that the iterative reducing methods could
help promote the uncovering of hidden structure as well as boosting the
detection quality of dominant structure.
- Abstract（参考訳）: 社会的、生物学的、工学的システムの複雑さの多くは、多くの基本的な構成要素をつなぐ複雑な相互作用のネットワークから生じる。
ネットワーク分析ツールは、そのようなネットワークの潜在構造であるコミュニティを明らかにするのに成功している。
しかしながら、最も興味深い構造の一部は、より支配的な構造によって隠蔽されているため、明らかにすることが困難である。
本稿では,複雑なネットワークにおいて,機能的隠蔽構造の層を多数発見するHICODEと呼ばれる一般的な構造増幅手法を提案する。
HICODEは、ランダム化によって支配的な構造を徐々に弱め、隠れた機能を出現させ、以前の手法がほとんど発見しなかった現実世界のネットワークに隠された構造を明らかにする。
本研究では,隠れたコミュニティ構造に関する包括的かつ体系的な理論的分析を行う。
以下では,多層確率ブロックモデルを定義し,隠れ構造の存在が支配的構造の検出を等価なランダムノイズと比較して困難にする理由をモデルを用いて理論的に支援する。
次に, 繰り返し還元法は, 隠蔽構造の発見を促進するとともに, 支配構造の検出品質を高めるのに有効であることを示す。
関連論文リスト
- Uncovering the hidden core-periphery structure in hyperbolic networks [0.0]
双曲型ネットワークモデルは、小さな世界性、スケール自由性、高いクラスタリング係数、コミュニティ構造など、基本的で不可欠な特徴を示す。
本稿では,双曲型ネットワークモデルにおける重要な特徴であるコア周辺構造の存在について検討する。
論文 参考訳（メタデータ） (2024-06-28T14:39:21Z) - Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。
記号の配置に非依存であり、それによって表現される意味論にのみ依存する。
識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
論文 参考訳（メタデータ） (2024-05-12T22:18:25Z) - Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。
本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。
MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
論文 参考訳（メタデータ） (2024-02-04T08:57:42Z) - Polynomially Over-Parameterized Convolutional Neural Networks Contain
Structured Strong Winning Lottery Tickets [4.020829863982153]
十分に小さなネットワークを近似できる構造化ニューラルワークの存在を実証する。
この結果は、Strong Lottery Ticket仮説の周りの最初の部分指数境界を与える。
論文 参考訳（メタデータ） (2023-11-16T12:38:45Z) - Redefining Neural Architecture Search of Heterogeneous Multi-Network
Models by Characterizing Variation Operators and Model Components [71.03032589756434]
複素領域における異なる変動演算子の効果について検討する。
モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
論文 参考訳（メタデータ） (2021-06-16T17:12:26Z) - Hierarchical community structure in networks [1.9981375888949475]
本稿では,ネットワークにおける階層的コミュニティ構造に関する理論的研究を行う。
1) コミュニティ階層をどのように定義すべきか 2) ネットワークに階層構造の十分な証拠があるかどうかをどうやって判断するか?
論文 参考訳（メタデータ） (2020-09-15T16:18:26Z) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳（メタデータ） (2020-09-15T00:16:12Z) - Automated Search for Resource-Efficient Branched Multi-Task Networks [81.48051635183916]
我々は,多タスクニューラルネットワークにおける分岐構造を自動的に定義する,微分可能なニューラルネットワーク探索に根ざした原理的アプローチを提案する。
本手法は,限られた資源予算内で高い性能の分岐構造を見いだすことができる。
論文 参考訳（メタデータ） (2020-08-24T09:49:19Z) - Emergent entanglement structures and self-similarity in quantum spin
chains [0.0]
我々は,多体量子状態に対する実験的にアクセス可能なネットワーク表現を,その構成成分のすべての対間の絡み合いに基づいて導入する。
この表現のパワーを、パラダイム的スピンチェーンモデル、XXモデルに適用し、それが軽い新しい現象をもたらすことを示す。
論文 参考訳（メタデータ） (2020-07-14T12:13:29Z) - Understanding Deep Architectures with Reasoning Layer [60.90906477693774]
本研究では,アルゴリズムの収束,安定性,感度といった特性が,エンドツーエンドモデルの近似と一般化能力と密接に関連していることを示す。
私たちの理論は、深いアーキテクチャを推論層で設計するための有用なガイドラインを提供することができます。
論文 参考訳（メタデータ） (2020-06-24T00:26:35Z) - Detecting structural perturbations from time series with deep learning [0.0]
本稿では,関数型時系列から構造摂動を推定するためのグラフニューラルネットワークを提案する。
データ駆動型アプローチは典型的な再構成手法より優れていることを示す。
この研究は、現実世界の複雑なシステムのレジリエンスを研究するための実践的な方法を明らかにする。
論文 参考訳（メタデータ） (2020-06-09T13:08:40Z)
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。