論文の概要: Exact Community Recovery in Correlated Stochastic Block Models

• arxiv url: http://arxiv.org/abs/2203.15736v1
• Date: Tue, 29 Mar 2022 16:44:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 17:03:56.561704
• Title: Exact Community Recovery in Correlated Stochastic Block Models
• Title（参考訳）: 確率ブロックモデルにおける厳密なコミュニティ回復
• Authors: Julia Gaudio, Miklos Z. Racz, Anirudh Sridhar
• Abstract要約: 複数の相関ネットワークから潜在コミュニティ構造を学習する問題について検討する。 本研究の主な成果は,複数の相関グラフを用いた正確なコミュニティ回復のための正確な情報理論しきい値の導出である。 コミュニティリカバリとグラフマッチング文献からアルゴリズムを慎重に合成する新しいアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 6.746400031322727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of learning latent community structure from multiple correlated networks. We study edge-correlated stochastic block models with two balanced communities, focusing on the regime where the average degree is logarithmic in the number of vertices. Our main result derives the precise information-theoretic threshold for exact community recovery using multiple correlated graphs. This threshold captures the interplay between the community recovery and graph matching tasks. In particular, we uncover and characterize a region of the parameter space where exact community recovery is possible using multiple correlated graphs, even though (1) this is information-theoretically impossible using a single graph and (2) exact graph matching is also information-theoretically impossible. In this regime, we develop a novel algorithm that carefully synthesizes algorithms from the community recovery and graph matching literatures.
• Abstract（参考訳）: 複数の相関ネットワークから潜在コミュニティ構造を学習する問題を考察する。 2つのバランスの取れたコミュニティを持つエッジ関連確率ブロックモデルについて検討し,平均次数が頂点数で対数となる状況に着目した。 本研究の主な結果は,複数の相関グラフを用いた正確なコミュニティ回復のための正確な情報理論閾値を導出する。 このしきい値は、コミュニティリカバリとグラフマッチングタスクの間の相互作用を捉えます。 特に,(1)単一グラフでは情報理論上不可能であり,(2)正確なグラフマッチングも情報理論上不可能であるにもかかわらず,複数の相関グラフを用いて正確なコミュニティ回復が可能なパラメータ空間の領域を明らかにする。 本研究では,コミュニティ・リカバリとグラフマッチングの文献からアルゴリズムを注意深く合成する新しいアルゴリズムを開発した。

関連論文リスト

• Curvature-based Clustering on Graphs [14.136746708037402]
  グラフの幾何学を利用して、クラスタやコミュニティを形成する密接な連結部分構造を同定するアルゴリズムについて研究する。 本手法は, 離散リッチ曲率とそのそれに付随する幾何フローを実装し, グラフのエッジ重みを進化させて, そのコミュニティ構造を明らかにする。
  論文  参考訳（メタデータ） (2023-07-19T17:35:08Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Fair Community Detection and Structure Learning in Heterogeneous Graphical Models [8.643517734716607]
  確率的グラフィカルモデルにおけるコミュニティ構造の推定は、ノードが人口統計特性を持つ場合の公平性制約とは一致しないかもしれない。 本稿では、公平なグラフィカルモデル選択のための新しい$ell_$-regularized pseudo-likelihoodアプローチを定義する。
  論文  参考訳（メタデータ） (2021-12-09T18:58:36Z)
• Correlated Stochastic Block Models: Exact Graph Matching with Applications to Recovering Communities [2.7920304852537527]
  複数の相関ネットワークから潜在コミュニティ構造を学習する作業について考察する。 パラメータ構造における複数の相関グラフを用いて、潜在コミュニティを正確に回復する方法を示す。
  論文  参考訳（メタデータ） (2021-07-14T15:27:15Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Graph Community Detection from Coarse Measurements: Recovery Conditions for the Coarsened Weighted Stochastic Block Model [20.238057838577248]
  グラフの粗い測定から地域社会の回復の問題を考察する。 粗粒化過程を数学的に定式化することでブロックモデルを構築する。
  論文  参考訳（メタデータ） (2021-02-25T19:24:33Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。