論文の概要: An Unbiased Symmetric Matrix Estimator for Topology Inference under
Partial Observability
- arxiv url: http://arxiv.org/abs/2203.15500v1
- Date: Tue, 29 Mar 2022 12:49:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-30 16:42:25.352447
- Title: An Unbiased Symmetric Matrix Estimator for Topology Inference under
Partial Observability
- Title（参考訳）: 部分観測可能性下におけるトポロジ推論のための非バイアス対称行列推定器
- Authors: Yupeng Chen and Zhiguo Wang and Xiaojing Shen
- Abstract要約: 本稿では,部分観測可能性の枠組みに基づくネットワークトポロジ推論の問題について考察する。
本稿では、ガウス雑音とラプラシアン結合則を持つ対称ネットワークトポロジーのための新しい非バイアス推定器を提案する。
ネットワーク構造を推定するために、ネットワーク推論ガウスアルゴリズムと呼ばれる効果的なアルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 16.60607849384252
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network topology inference is a fundamental problem in many applications of
network science, such as locating the source of fake news, brain connectivity
networks detection, etc. Many real-world situations suffer from a critical
problem that only a limited part of observations are available. This letter
considers the problem of network topology inference under the framework of
partial observability. Based on the vector autoregressive model, we propose a
novel unbiased estimator for the symmetric network topology with the Gaussian
noise and the Laplacian combination rule. Theoretically, we prove that it
converges to the network combination matrix in probability. Furthermore, by
utilizing the Gaussian mixture model algorithm, an effective algorithm called
network inference Gauss algorithm is developed to infer the network structure.
Finally, compared with the state-of-the-art methods, numerical experiments
demonstrate the proposed algorithm enjoys better performance in the case of
small sample sizes.
- Abstract（参考訳）: ネットワークトポロジ推論は、フェイクニュースのソースの特定、脳接続ネットワークの検出など、ネットワーク科学の多くの応用における基本的な問題である。
多くの現実世界の状況は、観測のごく一部しか利用できない重大な問題に悩まされている。
このレターは、部分可観測性の枠組みの下でのネットワークトポロジー推論の問題を考察する。
ベクトル自己回帰モデルに基づいて、ガウス雑音とラプラシアン結合則を持つ対称ネットワークトポロジーのための新しい非バイアス推定器を提案する。
理論的には、確率でネットワーク結合行列に収束することが証明される。
さらに、ガウス混合モデルアルゴリズムを用いて、ネットワーク構造を推測するネットワーク推論ガウスアルゴリズムと呼ばれる効果的なアルゴリズムを開発した。
最後に, 従来の手法と比較して, 提案アルゴリズムはサンプルサイズが小さければ性能がよいことを示す数値実験を行った。
関連論文リスト
- A neural network approach for solving the Monge-Ampère equation with transport boundary condition [0.0]
本稿では,輸送境界条件でモンジュ・アンペア方程式を解くためのニューラルネットワークに基づく新しい手法を提案する。
我々は、方程式の残差、境界条件、凸性制約を含む損失関数を最小化することにより、多層パーセプトロンネットワークを利用して近似解を学習する。
論文 参考訳（メタデータ） (2024-10-25T11:54:00Z) - Network Topology Inference from Smooth Signals Under Partial Observability [17.491343739469627]
部分的に観測されたノードを持つ滑らかな信号からネットワークトポロジを推定することは、データサイエンスとエンジニアリングにおいて重要な問題である。
本稿では,列間隔正規化に基づく1次アルゴリズムフレームワークと,低ランク制約に基づく1次アルゴリズムフレームワークを提案する。
我々は、理論収束保証を確立し、アルゴリズムの線形収束率を実証する。
論文 参考訳（メタデータ） (2024-10-08T06:00:04Z) - Parallel-in-Time Solutions with Random Projection Neural Networks [0.07282584715927627]
本稿では、常微分方程式の解法であるパラレアルの基本的な並列時間法の一つを考察し、ニューラルネットワークを粗いプロパゲータとして採用することにより拡張する。
提案アルゴリズムの収束特性を理論的に解析し,ローレンツ方程式やバーガースの方程式を含むいくつかの例に対して有効性を示す。
論文 参考訳（メタデータ） (2024-08-19T07:32:41Z) - Robust Training and Verification of Implicit Neural Networks: A
Non-Euclidean Contractive Approach [64.23331120621118]
本稿では,暗黙的ニューラルネットワークのトレーニングと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。
組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。
MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
論文 参考訳（メタデータ） (2022-08-08T03:13:24Z) - Why Lottery Ticket Wins? A Theoretical Perspective of Sample Complexity
on Pruned Neural Networks [79.74580058178594]
目的関数の幾何学的構造を解析することにより、刈り取られたニューラルネットワークを訓練する性能を解析する。
本稿では,ニューラルネットワークモデルがプルーニングされるにつれて,一般化が保証された望ましいモデル近傍の凸領域が大きくなることを示す。
論文 参考訳（メタデータ） (2021-10-12T01:11:07Z) - The Separation Capacity of Random Neural Networks [78.25060223808936]
標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。
我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
論文 参考訳（メタデータ） (2021-07-31T10:25:26Z) - A scalable multi-step least squares method for network identification
with unknown disturbance topology [0.0]
本稿では,既知のネットワークトポロジを持つ動的ネットワークの同定手法を提案する。
階調雑音の低減に多段階連続・ヌル空間フィッティング法を用いる。
明示的なBoxモデル構造情報性を含む一貫性証明を提供する。
論文 参考訳（メタデータ） (2021-06-14T16:12:49Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳（メタデータ） (2021-03-05T04:42:32Z) - LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。
フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
論文 参考訳（メタデータ） (2021-03-01T03:10:11Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z) - Tractable Approximate Gaussian Inference for Bayesian Neural Networks [1.933681537640272]
本稿では,ベイズニューラルネットワークにおける抽出可能な近似ガウス推定(TAGI)を実現するための解析手法を提案する。
この手法はパラメータ数$n$に対して$mathcalO(n)$の計算複雑性を持ち、回帰および分類ベンチマークで実施されたテストは、同じネットワークアーキテクチャにおいて、勾配のバックプロパゲーションに依存する既存のメソッドのパフォーマンスと一致することを確認している。
論文 参考訳（メタデータ） (2020-04-20T13:37:08Z)
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。