Fugu-MT 論文翻訳(概要): Evaluating importance of nodes in complex networks with local volume information dimension

論文の概要: Evaluating importance of nodes in complex networks with local volume information dimension

arxiv url: http://arxiv.org/abs/2111.13585v1
Date: Tue, 23 Nov 2021 07:42:19 GMT
ステータス: 処理完了
システム内更新日: 2021-12-06 01:02:15.752482
Title: Evaluating importance of nodes in complex networks with local volume information dimension
Title（参考訳）: 局所ボリューム情報次元を用いた複雑ネットワークにおけるノードの重要性評価
Authors: Hanwen Li, Qiuyan Shang, Tianxiang Zhan, Yong Deng
Abstract要約: ノードの重要性を評価する方法は、複雑なネットワークの研究に不可欠である。局所体積情報次元と呼ばれる新しい手法を提案する。実世界のネットワークの実験が実施されている。
参考スコア（独自算出の注目度）: 3.0108936184913295
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: How to evaluate the importance of nodes is essential in research of complex network. There are many methods proposed for solving this problem, but they still have room to be improved. In this paper, a new approach called local volume information dimension is proposed. In this method, the sum of degree of nodes within different distances of central node is calculated. The information within the certain distance is described by the information entropy. Compared to other methods, the proposed method considers the information of the nodes from different distances more comprehensively. For the purpose of showing the effectiveness of the proposed method, experiments on real-world networks are implemented. Promising results indicate the effectiveness of the proposed method.
Abstract（参考訳）: ノードの重要性を評価する方法は、複雑なネットワークの研究に不可欠である。この問題には多くの方法が提案されているが、改善の余地は残っている。本稿では,局所ボリューム情報次元と呼ばれる新しい手法を提案する。この方法では、中央ノードの異なる距離におけるノードの次数の和を計算する。特定の距離内の情報は情報エントロピーによって記述される。提案手法は他の手法と比較して,異なる距離からのノードの情報をより包括的に検討する。提案手法の有効性を示すため,実世界のネットワーク実験を行った。その結果,提案手法の有効性が示唆された。

関連論文リスト

Cost-Effective Community-Hierarchy-Based Mutual Voting Approach for Influence Maximization in Complex Networks [54.366995393644586]
実世界は通常、影響のあるノード識別の時間と精度のバランスに高い要求がある。本稿では,複雑ネットワークに影響を及ぼすためのコスト効果型コミュニティ階層型相互投票方式を提案する。提案手法は、時間複雑性と影響ノード同定の精度のバランスに関する16の最先端技術より優れている。
論文参考訳（メタデータ） (2024-09-21T06:32:28Z)
Robust Offline Active Learning on Graphs [0.552480439325792]
ネットワーク構造とノードの共変量の両方からの情報を明示的に組み込むことで,問合せノードを選択するオフラインアクティブラーニング手法を提案する。我々の理論的結果は、アクティブラーニングにおける情報性と代表性の間のトレードオフを示している。提案手法はグラフ上の回帰タスクと分類タスクの両方に適用できる。
論文参考訳（メタデータ） (2024-08-15T05:31:26Z)
Learning State-Augmented Policies for Information Routing in Communication Networks [92.59624401684083]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文参考訳（メタデータ） (2023-09-30T04:34:25Z)
Towards Better Understanding Attribution Methods [77.1487219861185]
モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。また,いくつかの属性法の性能を著しく向上する処理後平滑化ステップを提案する。
論文参考訳（メタデータ） (2022-05-20T20:50:17Z)
Cascaded Sparse Feature Propagation Network for Interactive Segmentation [18.584007891618096]
ユーザが提供する情報をラベルなし領域に伝播するためのクリック拡張特徴表現を学習するカスケードスパース特徴伝達ネットワークを提案する。提案手法の有効性を,様々なベンチマークによる総合的な実験により検証し,提案手法の有効性を実証した。
論文参考訳（メタデータ） (2022-03-10T03:47:24Z)
DeHIN: A Decentralized Framework for Embedding Large-scale Heterogeneous Information Networks [64.62314068155997]
本稿では,異種情報ネットワーク(DeHIN)のための分散埋め込みフレームワークについて述べる。 DeHINは、大きなHINをハイパーグラフとして革新的に定式化するコンテキスト保存分割機構を提供する。当社のフレームワークでは,木のようなパイプラインを採用することで,効率よくHINを分割する分散戦略を採用しています。
論文参考訳（メタデータ） (2022-01-08T04:08:36Z)
Topic-aware latent models for representation learning on networks [5.304857921982132]
本稿では,トピックベース情報を用いたランダムウォークベースアプローチにより取得したノードの埋め込みを強化する汎用フレームワークであるTNEを紹介する。提案手法はノード分類とリンク予測という2つのダウンストリームタスクで評価する。
論文参考訳（メタデータ） (2021-11-10T08:52:52Z)
Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文参考訳（メタデータ） (2021-01-06T03:05:37Z)
Non-Local Spatial Propagation Network for Depth Completion [82.60915972250706]
本研究では,深度完了のための堅牢で効率的な非局所的空間伝搬ネットワークを提案する。提案するネットワークは,RGBとスパース深度画像を入力とし,各画素の非局所的近傍とその親和性を推定する。提案アルゴリズムは,混合深度問題に対する深度補完精度とロバスト性の観点から,従来のアルゴリズムよりも優れていることを示す。
論文参考訳（メタデータ） (2020-07-20T12:26:51Z)
Deformable spatial propagation network for depth completion [2.5306673456895306]
本稿では,各画素に対して異なる受容場と親和性行列を適応的に生成する変形可能な空間伝搬ネットワーク(DSPN)を提案する。これにより、ネットワークは伝播のためのより少ないがより関連性の高い情報を得ることができる。
論文参考訳（メタデータ） (2020-07-08T16:39:50Z)
Boosting Connectivity in Retinal Vessel Segmentation via a Recursive Semantics-Guided Network [23.936946593048987]
U字型ネットワークはセマンティクス誘導モジュールを導入して拡張され、拡張されたセマンティクス情報を浅い層に統合し、ネットワークがより強力な機能を探索できるようにする。慎重に設計されたセマンティクス誘導ネットワークは、いくつかの公開データセットで広く評価されている。
論文参考訳（メタデータ） (2020-04-24T09:18:04Z)

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。