論文の概要: Geodesic statistics for random network families

• arxiv url: http://arxiv.org/abs/2111.02330v1
• Date: Wed, 3 Nov 2021 16:25:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-11-04 14:49:35.320392
• Title: Geodesic statistics for random network families
• Title（参考訳）: ランダムネットワークファミリーの測地統計
• Authors: Sahil Loomba, Nick S. Jones
• Abstract要約: このような現象を説明するのに寄与するノードとネットワークの接続性の尺度を導出する。 ブロックモデルやドット生成グラフ,ランダムグラフ,グラフなど,広く使用されているネットワークファミリに対して,具体的な結果を提供する。 特に、最短経路長分布は、上述のネットワーク族に対して、結合パーコレーションしきい値、巨大成分のサイズ、平均最短経路長、近接性と間隙中心性といった重要なグラフ特性を導出することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A key task in the study of networked systems is to derive local and global properties that impact connectivity, synchronizability, and robustness. Computing shortest paths or geodesics in the network yields measures of node centrality and network connectivity that can contribute to explain such phenomena. We derive an analytic distribution of shortest path lengths, on the giant component in the supercritical regime or on small components in the subcritical regime, of any sparse (possibly directed) graph with conditionally independent edges, in the infinite-size limit. We provide specific results for widely used network families like stochastic block models, dot-product graphs, random geometric graphs, and graphons. The survival function of the shortest path length distribution possesses a simple closed-form lower bound which is asymptotically tight for finite lengths, has a natural interpretation of traversing independent geodesics in the network, and delivers novel insight in the above network families. Notably, the shortest path length distribution allows us to derive, for the network families above, important graph properties like the bond percolation threshold, size of the giant component, average shortest path length, and closeness and betweenness centralities. We also provide a corroborative analysis of a set of 20 empirical networks. This unifying framework demonstrates how geodesic statistics for a rich family of random graphs can be computed cheaply without having access to true or simulated networks, especially when they are sparse but prohibitively large.
• Abstract（参考訳）: ネットワークシステムの研究における重要なタスクは、接続性、同期性、堅牢性に影響を与える局所的およびグローバルな特性を導出することである。 ネットワークにおける最短経路や測地線を計算することは、そのような現象を説明するのに寄与するノード集中性とネットワーク接続性の尺度をもたらす。 超臨界レジームの巨成分、あるいは亜臨界レジームの小さな成分上の最短経路長の解析分布を、条件付き独立な辺を持つ任意のスパースグラフ(おそらく有向グラフ)の無限大極限で導出する。 確率的ブロックモデル,ドット生成グラフ,ランダム幾何グラフ,グラフなど,広く使用されているネットワークファミリに対して,具体的な結果を提供する。 最短経路長分布の生存関数は、有限長に対して漸近的に厳密な単純な閉形式下界を持ち、ネットワーク内の独立測地線を横断する自然な解釈を持ち、上記のネットワークファミリーに新たな洞察を与える。 特に、最短経路長分布は、上述のネットワーク族に対して、結合パーコレーションしきい値、巨大成分のサイズ、平均最短経路長、近接性と間隙中心性といった重要なグラフ特性を導出することができる。 また、20の経験的ネットワークの集合の相関解析も提供する。 この統合化フレームワークは、乱数グラフの豊富な族に対する測地統計を、真またはシミュレートされたネットワークにアクセスすることなく安価に計算できることを示す。

関連論文リスト

• Generic Multimodal Spatially Graph Network for Spatially Embedded Network Representation Learning [2.07180164747172]
  汎用マルチモーダル空間グラフ畳み込みネットワーク(GMu-SGCN)を開発した。 開発されたGMu-SGCNは、GraphSAGEモデルと比較してエッジ存在予測タスクの精度を37.1%向上させることができる。
  論文  参考訳（メタデータ） (2025-02-01T19:05:48Z)
• 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)
• Topological Neural Networks: Mitigating the Bottlenecks of Graph Neural Networks via Higher-Order Interactions [1.994307489466967]
  この研究は、メッセージパッシングニューラルネットワークにおいて、ネットワークの幅、深さ、グラフトポロジがオーバーカッシング現象に与える影響を明らかにする理論的枠組みから始まる。 この研究は、トポロジカルニューラルネットワークを通して高次相互作用と多関係帰納バイアスへと流れていく。 グラフ注意ネットワークにインスパイアされた2つのトポロジカルアテンションネットワーク(Simplicial and Cell Attention Networks)が提案されている。
  論文  参考訳（メタデータ） (2024-02-10T08:26:06Z)
• DANI: Fast Diffusion Aware Network Inference with Preserving Topological Structure Property [2.8948274245812327]
  そこで我々は,DANIと呼ばれる新しい手法を提案し,その構造特性を保ちながら基礎となるネットワークを推定する。 DANIは、モジュール構造、次数分布、連結成分、密度、クラスタリング係数を含む構造特性を維持しながら、より高い精度と低い実行時間を有する。
  論文  参考訳（メタデータ） (2023-10-02T23:23:00Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Data Topology-Dependent Upper Bounds of Neural Network Widths [52.58441144171022]
  まず、3層ニューラルネットワークがコンパクトな集合上のインジケータ関数を近似するように設計可能であることを示す。 その後、これは単純複体へと拡張され、その位相構造に基づいて幅の上界が導かれる。 トポロジカルアプローチを用いて3層ReLUネットワークの普遍近似特性を証明した。
  論文  参考訳（メタデータ） (2023-05-25T14:17:15Z)
• Bayesian Detection of Mesoscale Structures in Pathway Data on Graphs [0.0]
  メソスケール構造は 複雑なシステムの抽象化と解析の 不可欠な部分です それらは、社会的または引用ネットワークにおけるコミュニティ、企業間相互作用における役割、または輸送ネットワークにおける中核周辺構造におけるコミュニティを表現することができる。 我々は,グループ内のノードの最適分割と高次ネットワークの最適ダイナミクスを同時にモデル化するベイズ的アプローチを導出する。
  論文  参考訳（メタデータ） (2023-01-16T12:45:33Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• Community detection using low-dimensional network embedding algorithms [1.052782170493037]
  我々はDeepWalkとnode2vecという2つの主要なアルゴリズムが、標準ネットワークモデルのためのコミュニティを回復する際の性能を厳格に理解している。 固定された共起窓を考えると、非追跡確率の低いランダムウォークを用いた node2vec は、多くのスペーサーネットワークで成功することを示す。
  論文  参考訳（メタデータ） (2021-11-04T14:57:43Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• 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)
• 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)
• Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
  様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。 古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。 また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
  論文  参考訳（メタデータ） (2020-02-19T11:04:49Z)
• Latent Poisson models for networks with heterogeneous density [0.0]
  経験的ネットワークは、ネットワークの総サイズと比較すると、ノード当たりの平均接続数が少ないため、グローバルに疎結合であることが多い。 隠れた多グラフを生成する潜在ポアソンモデルがこの密度を捉えるのにいかに効果的かを示すとともに、単純なグラフを直接モデル化するいくつかの選択肢よりも数学的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-18T18:58:13Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)
• Potential energy of complex networks: a novel perspective [0.0]
  我々は、関連するシュル「オーディンガー方程式」のポテンシャルに基づいて、複素ネットワークの新たな特徴付けを示す。 地殻情報は再構成されたポテンシャルに保持され、ネットワーク構造の性質のコンパクトな表現を提供する。
  論文  参考訳（メタデータ） (2020-02-11T17:13:07Z)

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。