論文の概要: Understanding the network formation pattern for better link prediction
- arxiv url: http://arxiv.org/abs/2110.08850v1
- Date: Sun, 17 Oct 2021 15:30:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 15:31:03.942530
- Title: Understanding the network formation pattern for better link prediction
- Title（参考訳）: リンク予測のためのネットワーク形成パターンの理解
- Authors: Jiating Yu and Ling-Yun Wu
- Abstract要約: 多重順序局所情報(MOLI)を用いたリンク予測手法を提案する。
MOLIは、異なる距離の隣人からのローカル情報を利用しており、パラメータは事前知識に基づいて事前駆動される。
シミュレーションと実世界の11種類のネットワークにおいて,MOLIが他の11種類のリンク予測アルゴリズムよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 4.8334761517444855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a classical problem in the field of complex networks, link prediction has
attracted much attention from researchers, which is of great significance to
help us understand the evolution and dynamic development mechanisms of
networks. Although various network type-specific algorithms have been proposed
to tackle the link prediction problem, most of them suppose that the network
structure is dominated by the Triadic Closure Principle. We still lack an
adaptive and comprehensive understanding of network formation patterns for
predicting potential links. In addition, it is valuable to investigate how
network local information can be better utilized. To this end, we proposed a
novel method named Link prediction using Multiple Order Local Information
(MOLI) that exploits the local information from the neighbors of different
distances, with parameters that can be a prior-driven based on prior knowledge,
or data-driven by solving an optimization problem on observed networks. MOLI
defined a local network diffusion process via random walks on the graph,
resulting in better use of network information. We show that MOLI outperforms
the other 11 widely used link prediction algorithms on 11 different types of
simulated and real-world networks. We also conclude that there are different
patterns of local information utilization for different networks, including
social networks, communication networks, biological networks, etc. In
particular, the classical common neighbor-based algorithm is not as adaptable
to all social networks as it is perceived to be; instead, some of the social
networks obey the Quadrilateral Closure Principle which preferentially connects
paths of length three.
- Abstract（参考訳）: 複雑なネットワークの分野における古典的な問題として、リンク予測は研究者から多くの注目を集めており、ネットワークの進化と動的発達メカニズムを理解する上で非常に重要である。
リンク予測問題に取り組むために様々なネットワークタイプ固有アルゴリズムが提案されているが、そのほとんどはネットワーク構造が三進閉包原理によって支配されていると考えている。
潜在的なリンクを予測するために、ネットワーク形成パターンを適応的かつ包括的に理解することはできません。
また、ネットワークローカル情報の利用方法についても検討する価値がある。
そこで本研究では,複数順序局所情報(moli)を用いたリンク予測という新しい手法を提案する。これは異なる距離の近傍からの局所情報を活用し,事前知識に基づいて事前駆動可能なパラメータや,観測ネットワーク上での最適化問題を解いてデータ駆動する手法である。
MOLIは、グラフ上のランダムウォークを通じてローカルネットワーク拡散プロセスを定義し、ネットワーク情報の利用を向上した。
シミュレーションと実世界の11種類のネットワークにおいて,MOLIが他の11種類のリンク予測アルゴリズムよりも優れていることを示す。
また,ソーシャルネットワーク,コミュニケーションネットワーク,生体ネットワークなど,ネットワーク毎に異なる局所的情報利用パターンが存在することを結論づけた。
特に、古典的な隣人ベースのアルゴリズムは、知覚されるすべてのソーシャルネットワークに適応できるわけではなく、代わりに、ソーシャルネットワークのいくつかは、長さ3の経路を優先的に接続する四分法的閉鎖原理に従う。
関連論文リスト
- Generalization emerges from local optimization in a self-organized learning network [0.0]
我々は,グローバルなエラー関数に頼ることなく,局所最適化ルールのみによって駆動される,教師付き学習ネットワーク構築のための新しいパラダイムを設計・分析する。
我々のネットワークは、ルックアップテーブルの形で、ノードに新しい知識を正確かつ瞬時に保存する。
本稿では,学習例数が十分に大きくなると,アルゴリズムによって生成されたネットワークが完全な一般化状態に体系的に到達する,分類タスクの多くの例を示す。
我々は状態変化のダイナミクスについて報告し、それが突然であり、従来の学習ネットワークですでに観察されている現象である1次相転移の特徴を持つことを示す。
論文 参考訳（メタデータ） (2024-10-03T15:32:08Z) - The Principles of Deep Learning Theory [19.33681537640272]
この本は、実践的妥当性の深いニューラルネットワークを理解するための効果的な理論アプローチを開発する。
これらのネットワークがトレーニングから非自明な表現を効果的に学習する方法について説明する。
トレーニングネットワークのアンサンブルの有効モデル複雑性を,奥行き比が支配していることを示す。
論文 参考訳（メタデータ） (2021-06-18T15:00:00Z) - 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) - Learning Structures for Deep Neural Networks [99.8331363309895]
我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。
スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。
公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
論文 参考訳（メタデータ） (2021-05-27T12:27:24Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Firefly Neural Architecture Descent: a General Approach for Growing
Neural Networks [50.684661759340145]
firefly neural architecture descentは、ニューラルネットワークを漸進的かつ動的に成長させるための一般的なフレームワークである。
ホタルの降下は、より広く、より深くネットワークを柔軟に成長させ、正確だがリソース効率のよいニューラルアーキテクチャを学習するために応用できることを示す。
特に、サイズは小さいが、最先端の手法で学習したネットワークよりも平均精度が高いネットワークを学習する。
論文 参考訳（メタデータ） (2021-02-17T04:47:18Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - MODEL: Motif-based Deep Feature Learning for Link Prediction [23.12527010960999]
本稿では,ネットワークモチーフを組み込んだ新しい埋め込みアルゴリズムを提案する。
実験は、ソーシャルネットワーク、生物学的ネットワーク、学術ネットワークの3種類のネットワークで実施された。
我々のアルゴリズムは従来の類似性に基づくアルゴリズムを20%、組込み型アルゴリズムを19%上回っている。
論文 参考訳（メタデータ） (2020-08-09T03:39:28Z) - Heuristics for Link Prediction in Multiplex Networks [15.637077180633735]
マルチプレックスネットワークリンク予測のための新しいフレームワークと3つのファミリーを提案する。
提案手法は, 接続型相関構造のリッチさにより性能が向上し, 単一の接続型を持つ通常のネットワークにおいて, ベースラインを著しく上回っていることを示す。
論文 参考訳（メタデータ） (2020-04-09T17:36:18Z) - 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) - Modeling Dynamic Heterogeneous Network for Link Prediction using
Hierarchical Attention with Temporal RNN [16.362525151483084]
我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。
階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。
リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
論文 参考訳（メタデータ） (2020-04-01T17:16:47Z)
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。