Fugu-MT 論文翻訳(概要): Mixed membership distribution-free model

論文の概要: Mixed membership distribution-free model

arxiv url: http://arxiv.org/abs/2112.04389v5
Date: Fri, 5 Apr 2024 08:37:35 GMT
ステータス: 処理完了
システム内更新日: 2024-04-08 21:09:03.223785
Title: Mixed membership distribution-free model
Title（参考訳）: 混合メンバーシップ分布自由モデル
Authors: Huan Qing, Jingli Wang,
Abstract要約: 重なり合う重み付きネットワークにおいて、ノードが複数のコミュニティに属し、エッジ重みが有限実数となるようなコミュニティ検出の問題を考える。このような複雑なネットワークをモデル化するために,MMDF(Mixed Memberity Distribution-free)モデルを提案する。このモデルでは,収束率を理論的に保証した効率的なスペクトルアルゴリズムを用いて,コミュニティメンバーシップを推定する。
参考スコア（独自算出の注目度）: 0.4972323953932129
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the problem of community detection in overlapping weighted networks, where nodes can belong to multiple communities and edge weights can be finite real numbers. To model such complex networks, we propose a general framework - the mixed membership distribution-free (MMDF) model. MMDF has no distribution constraints of edge weights and can be viewed as generalizations of some previous models, including the well-known mixed membership stochastic blockmodels. Especially, overlapping signed networks with latent community structures can also be generated from our model. We use an efficient spectral algorithm with a theoretical guarantee of convergence rate to estimate community memberships under the model. We also propose the fuzzy weighted modularity to evaluate the quality of community detection for overlapping weighted networks with positive and negative edge weights. We then provide a method to determine the number of communities for weighted networks by taking advantage of our fuzzy weighted modularity. Numerical simulations and real data applications are carried out to demonstrate the usefulness of our mixed membership distribution-free model and our fuzzy weighted modularity.
Abstract（参考訳）: 重なり合う重み付きネットワークにおいて、ノードが複数のコミュニティに属し、エッジ重みが有限実数となるようなコミュニティ検出の問題を考える。このような複雑なネットワークをモデル化するために,MMDF(Mixed Memberity Distribution-free)モデルを提案する。 MMDFはエッジ重みの分布制約を持たず、よく知られた混合会員確率ブロックモデルを含むいくつかの過去のモデルの一般化と見なすことができる。特に,我々のモデルから,コミュニティ構造が遅れた符号付きネットワークを重畳して生成することも可能である。このモデルでは,収束率を理論的に保証した効率的なスペクトルアルゴリズムを用いて,コミュニティメンバーシップを推定する。また,重み付き重み付きネットワークの重み付きコミュニティ検出の品質を評価するために,ファジィ重み付きモジュラリティを提案する。次に、ファジィ重み付きモジュラリティを利用して、重み付きネットワークのコミュニティ数を決定する方法を提案する。混合メンバシップ分布自由モデルとファジィ重み付きモジュラリティの有用性を示すため,数値シミュレーションと実データ応用を行った。

関連論文リスト

Bipartite mixed membership distribution-free model. A novel model for community detection in overlapping bipartite weighted networks [0.4972323953932129]
本稿では,BiMMDF(Bipartite Mixed Membership Distribution-Free)モデルを提案する。我々のモデルでは、ノードのメンバシップに関連するブロック構造が期待されている限り、隣接行列は任意の分布に従うことができる。理論的に一貫した推定を保証した効率的なアルゴリズムをBiMMDFに適合させる。
論文参考訳（メタデータ） (2022-11-02T06:26:47Z)
A Novel Unified Conditional Score-based Generative Framework for Multi-modal Medical Image Completion [54.512440195060584]
我々は、スコアベース生成モデル(SGM)を活用するために、統一多モードスコアベース生成モデル(UMM-CSGM)を提案する。 UMM-CSGMは、新しいマルチインマルチアウトコンディションスコアネットワーク(mm-CSN)を用いて、クロスモーダル条件分布の包括的集合を学習する。 BraTS19データセットの実験により、UMM-CSGMは腫瘍誘発病変における不均一な増強と不規則な領域をより確実に合成できることが示された。
論文参考訳（メタデータ） (2022-07-07T16:57:21Z)
A new perspective on probabilistic image modeling [92.89846887298852]
本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。 DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
論文参考訳（メタデータ） (2022-03-21T14:53:57Z)
Bayesian community detection for networks with covariates [16.230648949593153]
科学界でもっとも注目されているのは「コミュニティ検出」である。共依存型ランダムパーティションを持つブロックモデルを提案する。本モデルでは, 後部推測により, コミュニティの数を知ることができる。
論文参考訳（メタデータ） (2022-03-04T01:58:35Z)
Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。入力逆流の摂動に関して、それらは不安定なままである。本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
論文参考訳（メタデータ） (2021-12-10T03:08:55Z)
Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文参考訳（メタデータ） (2020-09-29T12:50:33Z)
Community models for networks observed through edge nominations [6.442024233731203]
コミュニティはネットワークにおいて一般的で広く研究されている構造であり、一般的にはネットワークが完全に正しく観察されているという仮定のもとである。問合せノードを経由したエッジの記録に基づく,ネットワークサンプリング機構のクラスに対する汎用モデルを提案する。一般モデルに基づくスペクトルクラスタリングにより,コミュニティ検出が可能であることを示す。
論文参考訳（メタデータ） (2020-08-09T04:53:13Z)
A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文参考訳（メタデータ） (2020-07-19T22:50:20Z)
Struct-MMSB: Mixed Membership Stochastic Blockmodels with Interpretable Structured Priors [13.712395104755783]
混合メンバシップブロックモデル(MMSB)は、コミュニティ検出とネットワーク生成のための一般的なフレームワークである。最近開発された統計リレーショナル学習モデルであるヒンジロスマルコフ確率場(HL-MRF)を用いた柔軟なMMSBモデル、textitStruct-MMSBを提案する。我々のモデルは、観測された特徴と会員分布の複雑な組み合わせとして符号化された有意義な潜伏変数を用いて、実世界のネットワークにおける潜伏特性を学習することができる。
論文参考訳（メタデータ） (2020-02-21T19:32:32Z)
Fragmentation Coagulation Based Mixed Membership Stochastic Blockmodel [17.35449041036449]
MMSB(Mixed-Membership Blockmodel)は,ネットワークデータの基盤となる複雑な隠れ構造を学習するのに適した,最先端のベイズ的手法の一つとして提案されている。本モデルでは,エンティティのコミュニティ情報を抽出するエンティティベースのクラスタリングと,リンクのグループ情報を同時に導出するリンケージベースのクラスタリングを行う。コミュニティ構造とグループ互換行列を統合することにより、MMSBの一般化版を導出する。
論文参考訳（メタデータ） (2020-01-17T22:02:23Z)
Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。