論文の概要: Modularity of the ABCD Random Graph Model with Community Structure

• arxiv url: http://arxiv.org/abs/2203.01480v1
• Date: Thu, 3 Mar 2022 01:49:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-05 08:42:07.578595
• Title: Modularity of the ABCD Random Graph Model with Community Structure
• Title（参考訳）: コミュニティ構造を持つabcdランダムグラフモデルのモジュラリティ
• Authors: Bogumil Kaminski, Bartosz Pankratz, Pawel Pralat, Francois Theberge
• Abstract要約: ABCDグラフ(ABCD graph)は、地域社会の構造と、地域社会の大きさの両面での権力-法則分布を持つランダムグラフモデルである。 我々は,ネットワークの最も重要なグラフ特性であるモジュラリティ関数を,コミュニティ検出の文脈で解析する。 また、広く使われているルービンアルゴリズムを含む多くのコミュニティ検出アルゴリズムの品質関数としても使用されている。
• 参考スコア（独自算出の注目度）: 2.580765958706854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Artificial Benchmark for Community Detection (ABCD) graph is a random graph model with community structure and power-law distribution for both degrees and community sizes. The model generates graphs with similar properties as the well-known LFR one, and its main parameter $\xi$ can be tuned to mimic its counterpart in the LFR model, the mixing parameter $\mu$. In this paper, we investigate various theoretical asymptotic properties of the ABCD model. In particular, we analyze the modularity function, arguably, the most important graph property of networks in the context of community detection. Indeed, the modularity function is often used to measure the presence of community structure in networks. It is also used as a quality function in many community detection algorithms, including the widely used Louvain algorithm.
• Abstract（参考訳）: コミュニティ検出のための人工ベンチマーク(abcd)グラフは、程度とコミュニティサイズの両方のコミュニティ構造とパワーロー分布を持つランダムグラフモデルである。 このモデルは、よく知られたLFRモデルと類似した性質を持つグラフを生成し、主要なパラメータ $\xi$ は LFRモデルで対応するパラメータ $\mu$ を模倣するように調整することができる。 本稿では,abcdモデルの様々な理論漸近特性について検討する。 特に,コミュニティ検出の文脈において,ネットワークの最も重要なグラフ特性であるモジュラリティ関数を分析した。 実際、モジュラリティ関数はネットワークにおけるコミュニティ構造の存在を測定するためにしばしば用いられる。 また、広く使われているルービンアルゴリズムを含む多くのコミュニティ検出アルゴリズムで品質関数として使われている。

関連論文リスト

• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Artificial Benchmark for Community Detection with Outliers (ABCD+o) [5.8010446129208155]
  ABCDモデルを拡張して、潜在的な外れ値を含める。 我々はABCD+oモデルと実世界のネットワークの両方で探索実験を行い、外れ値が所望の特性を持つことを示す。
  論文  参考訳（メタデータ） (2023-01-13T20:14:44Z)
• Hypergraph Artificial Benchmark for Community Detection (h-ABCD) [5.8010446129208155]
  h-ABCDは、地平線の大きさと電力法に従って度合いの分布を持つランダムなハイパーグラフを生成する。 オリジナルのABCDと同様に、新しいモデルh-ABCDは様々なレベルのノイズを持つハイパーグラフを生成することができる。
  論文  参考訳（メタデータ） (2022-10-26T20:06:56Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Consistency of Spectral Clustering on Hierarchical Stochastic Block Models [5.983753938303726]
  実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。 本手法の強い一貫性を,幅広いモデルパラメータで証明する。 既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
  論文  参考訳（メタデータ） (2020-04-30T01:08:59Z)
• 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)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)
• 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)
• Artificial Benchmark for Community Detection (ABCD): Fast Random Graph Model with Community Structure [5.8010446129208155]
  我々は、コミュニティ構造と、コミュニティサイズおよびコミュニティサイズの両方のパワー-法則分布を持つ代替のランダムグラフモデル、ABCD(Artificial Benchmark for Community Detection)を提供する。 ABCDは高速でシンプルで、ユーザーが純粋(独立)なコミュニティと、コミュニティ構造のないランダムなグラフの2つの極端間のスムーズな遷移を可能にするように、簡単に調整できる。
  論文  参考訳（メタデータ） (2020-01-14T17:20:27Z)

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。