論文の概要: Network Report: A Structured Description for Network Datasets

• arxiv url: http://arxiv.org/abs/2206.03635v1
• Date: Wed, 8 Jun 2022 01:38:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-10 03:33:11.278391
• Title: Network Report: A Structured Description for Network Datasets
• Title（参考訳）: ネットワークレポート:ネットワークデータセットのための構造化記述
• Authors: Xinyi Zheng, Ryan A. Rossi, Nesreen Ahmed, Dominik Moritz
• Abstract要約: ネットワークデータセットの報告と共有の標準的なプラクティスはありません。 ネットワークレポートは、ネットワークデータセットを要約し、コンテキスト化する構造化された記述である。
• 参考スコア（独自算出の注目度）: 23.45996116626472
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid development of network science and technologies depends on shareable datasets. Currently, there is no standard practice for reporting and sharing network datasets. Some network dataset providers only share links, while others provide some contexts or basic statistics. As a result, critical information may be unintentionally dropped, and network dataset consumers may misunderstand or overlook critical aspects. Inappropriately using a network dataset can lead to severe consequences (e.g., discrimination) especially when machine learning models on networks are deployed in high-stake domains. Challenges arise as networks are often used across different domains (e.g., network science, physics, etc) and have complex structures. To facilitate the communication between network dataset providers and consumers, we propose network report. A network report is a structured description that summarizes and contextualizes a network dataset. Network report extends the idea of dataset reports (e.g., Datasheets for Datasets) from prior work with network-specific descriptions of the non-i.i.d. nature, demographic information, network characteristics, etc. We hope network reports encourage transparency and accountability in network research and development across different fields.
• Abstract（参考訳）: ネットワーク科学と技術の急速な発展は、共有可能なデータセットに依存する。 現在、ネットワークデータセットのレポートと共有の標準的なプラクティスはありません。 一部のネットワークデータセットプロバイダはリンクを共有するだけであり、いくつかのコンテキストや基本的な統計を提供する。 その結果、クリティカルな情報は意図せず削除され、ネットワークデータセットの消費者は批判的な側面を誤解し、見落としてしまう可能性がある。 ネットワークデータセットを不適切に使用すると、特にネットワーク上の機械学習モデルが高い領域にデプロイされる場合、深刻な結果(差別など)につながる可能性がある。 ネットワークは様々な領域(ネットワーク科学、物理学など)でよく使われ、複雑な構造を持つため、課題が発生する。 ネットワークデータセットプロバイダとコンシューマ間の通信を容易にするため,ネットワークレポートを提案する。 ネットワークレポートは、ネットワークデータセットを要約し、コンテキスト化する構造化記述である。 ネットワークレポートは、データセットレポート(Datasheets for Datasetsなど)の考え方を、非i.d.自然、人口統計情報、ネットワーク特性などのネットワーク固有の記述による以前の作業から拡張している。 ネットワークレポートは、さまざまな分野にわたるネットワーク研究と開発における透明性と説明責任を促進することを願っている。

関連論文リスト

• Leveraging advances in machine learning for the robust classification and interpretation of networks [0.0]
  シミュレーションアプローチでは、Erd"os-R'enyiやSmall-worldのような適切なネットワーク生成モデルを選択する。 我々は、解釈可能な機械学習の進歩を利用して、様々なネットワーク属性に基づいて、生成モデルによってシミュレーションされたネットワークを分類する。
  論文  参考訳（メタデータ） (2024-03-20T00:24:23Z)
• Less Data, More Knowledge: Building Next Generation Semantic Communication Networks [180.82142885410238]
  本稿では、スケーラブルなエンドツーエンドセマンティック通信ネットワークの最初の厳密なビジョンを示す。 まず、セマンティック・コミュニケーション・ネットワークの設計は、データ駆動型ネットワークから知識駆動型ネットワークへどのように移行する必要があるかについて議論する。 意味表現と言語を用いることで、従来の送信機と受信機が教師と見習いになることを示す。
  論文  参考訳（メタデータ） (2022-11-25T19:03:25Z)
• TeKo: Text-Rich Graph Neural Networks with External Knowledge [75.91477450060808]
  外部知識を用いた新しいテキストリッチグラフニューラルネットワーク(TeKo)を提案する。 まず、高品質なエンティティを組み込んだフレキシブルな異種セマンティックネットワークを提案する。 次に、構造化三重項と非構造化実体記述という2種類の外部知識を導入する。
  論文  参考訳（メタデータ） (2022-06-15T02:33:10Z)
• Network representation learning systematic review: ancestors and current development state [1.0312968200748116]
  本稿では,ネットワーク埋め込みとして知られるネットワーク表現学習を誕生から現在までの体系的に調査する。 また,ネットワーク表現学習の理解に必要な基本概念の形式的定義も提供する。 最も一般的に使用される下流タスクは、埋め込みの評価、評価メトリクス、一般的なデータセットである。
  論文  参考訳（メタデータ） (2021-09-14T14:44:44Z)
• Network Embedding via Deep Prediction Model [25.727377978617465]
  本稿では,深層予測モデルを用いて構造化ネットワーク上での転送挙動を捕捉するネットワーク埋め込みフレームワークを提案する。 ネットワーク構造埋め込み層は、Long Short-Term Memory NetworkやRecurrent Neural Networkなど、従来の深部予測モデルに付加される。 ソーシャルネットワーク, 引用ネットワーク, バイオメディカルネットワーク, 協調ネットワーク, 言語ネットワークなど, さまざまなデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2021-04-27T16:56:00Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• Where2Act: From Pixels to Actions for Articulated 3D Objects [54.19638599501286]
  可動部を有する関節物体の押出しや引抜き等の基本動作に関連する高度に局所化された動作可能な情報を抽出する。 シミュレーションでネットワークをトレーニングできるオンラインデータサンプリング戦略を備えた学習から対話までのフレームワークを提案します。 私たちの学習モデルは、現実世界のデータにも転送します。
  論文  参考訳（メタデータ） (2021-01-07T18:56:38Z)
• NetReAct: Interactive Learning for Network Summarization [60.18513812680714]
  本論文では,テキストコーポラによる感覚生成のネットワーク可視化を支援する,新しいインタラクティブネットワーク要約アルゴリズムであるNetReActを提案する。 netreactが、他の非自明なベースラインよりも、隠れたパターンを明らかにする高品質な要約や視覚化の生成に成功していることを示す。
  論文  参考訳（メタデータ） (2020-12-22T03:56:26Z)
• Big Networks: A Survey [12.9583587501745]
  本稿では,ビッグネットワークという新しいネットワーク科学概念を紹介する。 大きなネットワークは通常、複雑で高次の内部構造を持つ大規模である。 まず,マイクロレベル,メソレベル,マクロレベルという3つのレベルから大きなネットワークの構造的特徴を紹介する。 次に、大規模ネットワーク分析の最先端トピックについて論じる。
  論文  参考訳（メタデータ） (2020-08-09T03:40:20Z)
• Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
  ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。 結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
  論文  参考訳（メタデータ） (2020-06-22T12:46:44Z)
• Inference for Network Structure and Dynamics from Time Series Data via Graph Neural Network [21.047133113979083]
  本稿では,Gumbel Graph Network (GGN) と呼ばれる新しいデータ駆動型ディープラーニングモデルを提案する。 本手法は,ネットワーク再構築作業において,最大100%のネットワーク構造を再構築することができる。 モデルは未知の構造の部分を最大90%の精度で推測することもできますが、いくつかのノードが欠落している場合もあります。
  論文  参考訳（メタデータ） (2020-01-18T02:05:54Z)

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。