論文の概要: Higher-order accurate two-sample network inference and network hashing

• arxiv url: http://arxiv.org/abs/2208.07573v1
• Date: Tue, 16 Aug 2022 07:31:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-17 12:53:31.012045
• Title: Higher-order accurate two-sample network inference and network hashing
• Title（参考訳）: 高次精度2サンプルネットワーク推論とネットワークハッシュ
• Authors: Meijia Shao, Dong Xia, Yuan Zhang, Qiong Wu and Shuo Chen
• Abstract要約: 本稿では,ネットワークモーメントを比較することで,より高次精度の2サンプル推定法を提案する。 本手法は,従来の2サンプルt-testをネットワーク設定に拡張する。 我々は、速度-最適性を含む強い有限サンプル理論的保証を確立する。
• 参考スコア（独自算出の注目度）: 17.73482300087608
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Two-sample hypothesis testing for comparing two networks is an important yet difficult problem. Major challenges include: potentially different sizes and sparsity levels; non-repeated observations of adjacency matrices; computational scalability; and theoretical investigations, especially on finite-sample accuracy and minimax optimality. In this article, we propose the first provably higher-order accurate two-sample inference method by comparing network moments. Our method extends the classical two-sample t-test to the network setting. We make weak modeling assumptions and can effectively handle networks of different sizes and sparsity levels. We establish strong finite-sample theoretical guarantees, including rate-optimality properties. Our method is easy to implement and computes fast. We also devise a novel nonparametric framework of offline hashing and fast querying particularly effective for maintaining and querying very large network databases. We demonstrate the effectiveness of our method by comprehensive simulations. We apply our method to two real-world data sets and discover interesting novel structures.
• Abstract（参考訳）: 2つのネットワークを比較するための2サンプル仮説テストは、重要なが難しい問題である。 主な課題は、潜在的に異なるサイズとスパーシリティレベル、隣接行列の非繰り返し観測、計算スケーラビリティ、特に有限サンプル精度とミニマックス最適性に関する理論的研究である。 本稿では,ネットワークモーメントを比較することで,より高次精度の2サンプル推定法を提案する。 本手法は,従来の2サンプルt-testをネットワーク設定に拡張する。 我々はモデリングの仮説を弱め、異なるサイズと疎度レベルのネットワークを効果的に扱うことができる。 我々は、レート最適性を含む強い有限サンプル理論の保証を確立する。 我々の手法は簡単に実装でき、高速に計算できる。 また、オフラインハッシュと高速クエリの新たな非パラメトリックフレームワークを考案し、特に大規模なネットワークデータベースの保守とクエリに有効です。 本手法の有効性を総合シミュレーションにより実証する。 本手法を2つの実世界のデータセットに適用し,興味深い新しい構造を探索する。

関連論文リスト

• Sifting out communities in large sparse networks [2.666294200266662]
  大規模ネットワークにおけるクラスタリングの結果の質を定量化するための直感的な客観的関数を導入する。 この領域に特に適したコミュニティを特定するために,2段階の手法を用いる。 数万のノードからなる大規模ネットワークにおける複雑な遺伝的相互作用を同定する。
  論文  参考訳（メタデータ） (2024-05-01T18:57:41Z)
• IQNAS: Interpretable Integer Quadratic Programming Neural Architecture Search [40.77061519007659]
  適合ネットワークを見つけるための一般的なアプローチは、制約付きニューラルネットワークサーチ(NAS)である。 従来はネットワークの精度に複雑な予測器を使用していた。 IQNAS (Interpretable Quadratic Programming Neural Architecture Search) を導入する。
  論文  参考訳（メタデータ） (2021-10-24T09:45:00Z)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
  我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。 d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。 トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
  論文  参考訳（メタデータ） (2021-08-20T11:53:05Z)
• Decoupled and Memory-Reinforced Networks: Towards Effective Feature Learning for One-Step Person Search [65.51181219410763]
  歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。 現在のワンステップアプローチには2つの大きな課題があります。 本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
  論文  参考訳（メタデータ） (2021-02-22T06:19:45Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)
• Characterization and Identification of Cloudified Mobile Network Performance Bottlenecks [0.0]
  この研究は、5Gモバイルネットワークが経験できるパフォーマンスボトルネックの範囲を実験的に調査する最初の試みである。 特に,分散分析はボトルネック識別精度と帰納的計算・通信オーバーヘッドの両方において合理的に機能することがわかった。
  論文  参考訳（メタデータ） (2020-07-22T14:46:51Z)
• ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
  簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。 本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
  論文  参考訳（メタデータ） (2020-06-28T23:09:27Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)
• ReluDiff: Differential Verification of Deep Neural Networks [8.601847909798165]
  我々は2つの密接に関連するネットワークの差分検証法を開発した。 我々は2つのネットワークの構造的および行動的類似性を利用して、2つのネットワークの出力ニューロン間の差異をより正確に拘束する。 実験の結果,最先端の検証ツールと比較して,精度向上が可能であることがわかった。
  論文  参考訳（メタデータ） (2020-01-10T20:47:22Z)

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。