論文の概要: Concentration inequalities for correlated network-valued processes with
applications to community estimation and changepoint analysis
- arxiv url: http://arxiv.org/abs/2208.01365v1
- Date: Tue, 2 Aug 2022 11:16:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-03 13:36:19.759436
- Title: Concentration inequalities for correlated network-valued processes with
applications to community estimation and changepoint analysis
- Title（参考訳）: 相関型ネットワーク価値プロセスの濃度不等式とコミュニティ推定および変化点分析への応用
- Authors: Sayak Chatterjee, Shirshendu Chatterjee, Soumendu Sundar Mukherjee,
Anirban Nath, Sharmodeep Bhattacharyya
- Abstract要約: ネットワーク評価プロセスから生成されたネットワークシーケンスの集合的挙動について検討する。
本研究は, コミュニティ推定や変更点推定問題において, 標準推定器の整合性を示す上で, これらの濃度が有用であることを示すものである。
また,時間的相関の度合いがコミュニティの精度や変化点推定に与える影響をシミュレーションにより検証した。
- 参考スコア（独自算出の注目度）: 2.1953732467962315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network-valued time series are currently a common form of network data.
However, the study of the aggregate behavior of network sequences generated
from network-valued stochastic processes is relatively rare. Most of the
existing research focuses on the simple setup where the networks are
independent (or conditionally independent) across time, and all edges are
updated synchronously at each time step. In this paper, we study the
concentration properties of the aggregated adjacency matrix and the
corresponding Laplacian matrix associated with network sequences generated from
lazy network-valued stochastic processes, where edges update asynchronously,
and each edge follows a lazy stochastic process for its updates independent of
the other edges. We demonstrate the usefulness of these concentration results
in proving consistency of standard estimators in community estimation and
changepoint estimation problems. We also conduct a simulation study to
demonstrate the effect of the laziness parameter, which controls the extent of
temporal correlation, on the accuracy of community and changepoint estimation.
- Abstract（参考訳）: ネットワーク価値時系列は現在、ネットワークデータの一般的な形式である。
しかし,ネットワーク評価確率過程から生成されたネットワークシーケンスの集合的挙動の研究は比較的稀である。
既存の研究のほとんどは、ネットワークが時間にわたって独立(あるいは条件付き独立)であり、すべてのエッジが各タイムステップで同期的に更新される単純な設定に焦点を当てている。
本稿では,各辺が非同期に更新される遅延ネットワーク値確率過程から生成されるネットワークシーケンスに関連付けられた結合隣接行列と対応するラプラシアン行列の濃度特性について検討し,各辺は他の辺とは独立に更新を行う遅延確率過程に従う。
これらの濃度測定結果が,コミュニティ推定および変化点推定問題における標準推定値の整合性を証明する上で有用であることを示す。
また,ラジネスパラメータが時間相関の程度を制御し,コミュニティの精度と変化点推定に与える影響をシミュレーションにより検証した。
関連論文リスト
- Inferring Dynamic Networks from Marginals with Iterative Proportional Fitting [57.487936697747024]
実世界のデータ制約から生じる一般的なネットワーク推論問題は、その時間集約された隣接行列から動的ネットワークを推論する方法である。
本稿では,ネットワーク構造に対する最小限の変更の下でIPFの収束を保証するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-28T20:24:56Z) - Learning Persistent Community Structures in Dynamic Networks via
Topological Data Analysis [2.615648035076649]
本稿では,コミュニティ間構造における時間的一貫性の整合性を考慮した新しいディープグラフクラスタリングフレームワークを提案する。
MFCは、ノード埋め込みを保存する行列分解に基づくディープグラフクラスタリングアルゴリズムである。
TopoRegは、時間間隔でコミュニティ間構造間のトポロジカルな類似性を維持するために導入された。
論文 参考訳（メタデータ） (2024-01-06T11:29:19Z) - Distributed Continual Learning with CoCoA in High-dimensional Linear
Regression [0.0]
興味の信号が時間とともに特性の変化を示すシナリオで推定する。
特に、異なる分布を持つデータなど、異なるタスクが順次到着する連続的な学習問題を考察する。
ネットワーク上でモデルパラメータと対応する特徴を分散する分散学習アルゴリズムCOCOAについて検討する。
論文 参考訳（メタデータ） (2023-12-04T10:35:46Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z) - Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳（メタデータ） (2023-10-05T21:44:18Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳（メタデータ） (2023-05-11T10:30:35Z) - Efficient Estimation for Longitudinal Networks via Adaptive Merging [21.62069959992736]
本稿では, 適応型ネットワークマージ, テンソル分解, 点過程の強みを利用した長手ネットワークの効率的な推定手法を提案する。
近隣のスパースネットワークをマージし、観測されたエッジの数を拡大し、推定分散を低減する。
提案手法は,各イテレーションにおける推定誤差の上限を設定することにより,推定を容易にする。
論文 参考訳（メタデータ） (2022-11-15T03:17:11Z) - Graph-Survival: A Survival Analysis Framework for Machine Learning on
Temporal Networks [14.430635608400982]
連続時間時間ネットワークのための生成モデルを設計するためのフレームワークを提案する。
本稿では,本フレームワーク内のモデルに適合する手法と,所望の特性を持つ新しい時間ネットワークをシミュレートするアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-14T16:40:57Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳（メタデータ） (2021-06-15T17:45:51Z) - The Importance of Being Correlated: Implications of Dependence in Joint
Spectral Inference across Multiple Networks [4.238478445823]
マルチネットワーク上のスペクトル推論は、グラフ統計学の急速に発展するサブフィールドである。
近年の研究では、複数の独立ネットワークの結合または同時スペクトル埋め込みにより、より正確な推定が可能になることが示されている。
一般化されたOmnibus埋め込み手法を提案し、この埋め込みを独立ネットワークと相関ネットワークの両方にまたがって詳細に解析する。
論文 参考訳（メタデータ） (2020-08-01T03:43:52Z) - Robust Learning Through Cross-Task Consistency [92.42534246652062]
クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。
クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
論文 参考訳（メタデータ） (2020-06-07T09:24:33Z)
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。