論文の概要: Identifying Influential Nodes in Two-mode Data Networks using Formal
Concept Analysis
- arxiv url: http://arxiv.org/abs/2109.03372v1
- Date: Tue, 7 Sep 2021 23:57:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-09 13:40:42.315113
- Title: Identifying Influential Nodes in Two-mode Data Networks using Formal
Concept Analysis
- Title(参考訳): 形式的概念解析を用いた2モードデータネットワークにおける流入ノードの同定
- Authors: Mohamed-Hamza Ibrahim, Rokia Missaoui and Jean Vaillancourt
- Abstract要約: Bi-face (BF) は、2モードネットワークにおける重要なノードを特定するための新しい二部集中度測定である。
オフ・ザ・シェルフ中心性指数とは違って、あるノードが隣り合うノードに粘着的サブ構造がどう影響するかを双斜線で定量化する。
いくつかの実世界および合成ネットワークに関する実験は、既存の顕著な二分極集中度よりもBFの効率が良いことを示す。
- 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: Identifying important actors (or nodes) in a two-mode network often remains a
crucial challenge in mining, analyzing, and interpreting real-world networks.
While traditional bipartite centrality indices are often used to recognize key
nodes that influence the network information flow, they frequently produce poor
results in intricate situations such as massive networks with complex local
structures or a lack of complete knowledge about the network topology and
certain properties. In this paper, we introduce Bi-face (BF), a new bipartite
centrality measurement for identifying important nodes in two-mode networks.
Using the powerful mathematical formalism of Formal Concept Analysis, the BF
measure exploits the faces of concept intents to identify nodes that have
influential bicliques connectivity and are not located in irrelevant bridges.
Unlike off-the shelf centrality indices, it quantifies how a node has a
cohesive-substructure influence on its neighbour nodes via bicliques while not
being in network core-peripheral ones through its absence from non-influential
bridges. Our experiments on several real-world and synthetic networks show the
efficiency of BF over existing prominent bipartite centrality measures such as
betweenness, closeness, eigenvector, and vote-rank among others.
- Abstract(参考訳): 2モードネットワークで重要なアクター(あるいはノード)を特定することは、現実世界のネットワークを採掘、分析、解釈する上で重要な課題である。
従来の二部集中度指標は、ネットワーク情報フローに影響を与えるキーノードを認識するためにしばしば使用されるが、複雑な局所構造を持つ大規模ネットワークや、ネットワークトポロジと特定の特性に関する完全な知識の欠如といった複雑な状況において、しばしば悪い結果をもたらす。
本稿では,2モードネットワークにおける重要なノードを識別するバイパーティイト集中度測定手法であるBi-face (BF)を提案する。
形式的概念解析の強力な数学的フォーマリズムを用いて、BF測度は概念意図の顔を利用して、バイクリッド接続に影響を及ぼし、無関係な橋に存在しないノードを特定する。
オフ・ザ・シェルフ・セントラル性指標とは異なり、非インフルエンサー・ブリッジの欠如によってネットワーク・コア・ペリペラルな指標には存在しないにもかかわらず、ノードが隣接ノードに対してどのように凝集構造の影響があるかを定量化する。
実世界および合成ネットワークを用いた実験により,既存の2成分集中性指標である近接性,固有ベクトル,投票率に対するbfの有効性が示された。
関連論文リスト
- SCALA: Sparsification-based Contrastive Learning for Anomaly Detection
on Attributed Networks [19.09775548036214]
属性付きネットワーク上の異常検出は、他の多数ノードと大きく異なる振る舞いを持つノードを見つけることを目的としている。
本稿では,ネットワークの埋め込み品質向上を目的とした,属性付きネットワーク上での異常検出のための新しいコントラスト学習フレームワークである textbfSCALA を提案する。
5つのベンチマーク実世界のデータセットで大規模な実験が行われ、結果はSCALAがすべてのベースライン手法を大幅に上回っていることを示している。
論文 参考訳(メタデータ) (2024-01-03T08:51:18Z) - A Unified Framework for Exploratory Learning-Aided Community Detection
Under Topological Uncertainty [16.280950663982107]
META-CODEは、ソーシャルネットワークにおける重複コミュニティを検出する統合フレームワークである。
1)新たな再構築損失によってトレーニングされたグラフニューラルネットワーク(GNN)に基づくノードレベルのコミュニティアフィリエイト埋め込み,2)コミュニティアフィリエイトベースのノードクエリによるネットワーク探索,3)エッジ接続に基づくSiameseニューラルネットワークモデルを用いたネットワーク推論,の3つのステップで構成されている。
論文 参考訳(メタデータ) (2023-04-10T10:22:21Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳(メタデータ) (2022-10-14T12:35:32Z) - Feature Importance-aware Graph Attention Network and Dueling Double Deep
Q-Network Combined Approach for Critical Node Detection Problems [61.48763653120301]
クリティカルノード問題(Critical Node Problem, CNP)は、ネットワークから重要なノードの集合を見つけることを目的とした問題である。
本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。
ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
論文 参考訳(メタデータ) (2021-12-03T14:23:05Z) - Deep Dual Support Vector Data Description for Anomaly Detection on
Attributed Networks [7.299729677753102]
本稿では,属性ネットワーク上の異常検出のための自動エンコーダ(Dual-SVDAE)に基づくディープデュアルサポートベクトルデータ記述のエンドツーエンドモデルを提案する。
具体的には、Dual-SVDAEは、構造空間におけるノードの潜在表現をそれぞれ学習する構造オートエンコーダと属性オートエンコーダから構成される。
実世界の属性ネットワークの実験では、Dual-SVDAEは一貫して最先端のネットワークを上回っている。
論文 参考訳(メタデータ) (2021-09-01T01:21:06Z) - Spectral Embedding of Graph Networks [76.27138343125985]
ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。
埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
論文 参考訳(メタデータ) (2020-09-30T04:59:10Z) - Suppress and Balance: A Simple Gated Network for Salient Object
Detection [89.88222217065858]
両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。
多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。
さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
論文 参考訳(メタデータ) (2020-07-16T02:00:53Z) - 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) - BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。
我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。
我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文 参考訳(メタデータ) (2020-03-09T08:16:16Z) - FONDUE: A Framework for Node Disambiguation Using Network Embeddings [17.118125020178162]
最も単純な形式では、ネットワークは実生活の実体(人、論文、タンパク質、概念など)をノードとして表現する。
本稿では,ネットワーク内のノードが複数の実生活エンティティに対応するという共通問題に焦点をあてる。
本稿では,ノード不明瞭化のためのネットワーク埋め込みに基づくアルゴリズムであるFONDUEを紹介する。
論文 参考訳(メタデータ) (2020-02-24T09:34:18Z) - AnomalyDAE: Dual autoencoder for anomaly detection on attributed
networks [10.728863198129478]
属性付きネットワーク上の異常検出は、ほとんどの参照ノードからパターンが著しく逸脱したノードを見つけることを目的としている。
デュアルオートエンコーダ(AnomalyDAE)による異常検出のためのディープジョイント表現学習フレームワークを提案する。
構造と属性の両方の観点からノードの再構成誤差を測定することで異常を検出することができる。
論文 参考訳(メタデータ) (2020-02-10T11:32:23Z)
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。