論文の概要: Reasoning about Complex Networks: A Logic Programming Approach
- arxiv url: http://arxiv.org/abs/2209.15067v1
- Date: Thu, 29 Sep 2022 19:20:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 15:34:22.704042
- Title: Reasoning about Complex Networks: A Logic Programming Approach
- Title（参考訳）: 複雑ネットワークに関する推論:論理プログラミングのアプローチ
- Authors: Paulo Shakarian, Gerardo I. Simari, Devon Callahan
- Abstract要約: 本稿では,従来の研究で提案されたデシラタの集合を満たす論理プログラミングに基づくフォーマリズムを提案する。
この場合、ノードへのメンバシップの度合いの割り当ては、犯罪ギャングの問題をより深く理解するのにどう役立つかを示す。
- 参考スコア（独自算出の注目度）: 4.1104544685838915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reasoning about complex networks has in recent years become an important
topic of study due to its many applications: the adoption of commercial
products, spread of disease, the diffusion of an idea, etc. In this paper, we
present the MANCaLog language, a formalism based on logic programming that
satisfies a set of desiderata proposed in previous work as recommendations for
the development of approaches to reasoning in complex networks. To the best of
our knowledge, this is the first formalism that satisfies all such criteria. We
first focus on algorithms for finding minimal models (on which multi-attribute
analysis can be done), and then on how this formalism can be applied in certain
real world scenarios. Towards this end, we study the problem of deciding group
membership in social networks: given a social network and a set of groups where
group membership of only some of the individuals in the network is known, we
wish to determine a degree of membership for the remaining group-individual
pairs. We develop a prototype implementation that we use to obtain experimental
results on two real world datasets, including a current social network of
criminal gangs in a major U.S.\ city. We then show how the assignment of degree
of membership to nodes in this case allows for a better understanding of the
criminal gang problem when combined with other social network mining techniques
-- including detection of sub-groups and identification of core group members
-- which would not be possible without further identification of additional
group members.
- Abstract（参考訳）: 近年, 複雑なネットワークに関する推論は, 商業製品の普及, 病気の普及, アイデアの拡散など, 数多くの応用から, 重要な研究課題となっている。
本稿では,前回の研究で提案されたデシデラタのセットを満たす論理プログラミングに基づく形式的手法であるmancalog言語について,複雑なネットワークにおける推論手法の開発を推奨する。
我々の知る限りでは、このような基準を満たす最初の形式主義である。
まず、最小限のモデル(マルチ属性分析が可能である)を見つけるアルゴリズムに焦点をあて、次に、このフォーマリズムを特定の現実のシナリオに適用する方法に着目する。
この目的に向けて,ソーシャルネットワークにおけるグループメンバーシップ決定の課題について検討する。ソーシャルネットワークと,ネットワーク内の一部のグループメンバーシップが知られているグループの集合が与えられた場合,残りのグループ・個人ペアのメンバシップの程度を判断したい。
米国の主要都市における犯罪者ギャングの現在のソーシャルネットワークを含む、現実世界の2つのデータセットで実験結果を得るためのプロトタイプ実装を開発した。
このケースでは,ノードへのメンバシップの割り当てによって,サブグループの検出やコアグループメンバの識別など,他のソーシャルネットワークマイニング技術と組み合わせることで,犯罪ギャングの問題をより深く理解することができることを示す。
関連論文リスト
- Discriminative community detection for multiplex networks [20.810096547938166]
スペクトルクラスタリングに基づく2つの識別的コミュニティ検出アルゴリズムを提案する。
第1のアプローチは、グループ間の識別サブグラフ構造を識別することを目的としており、第2のアプローチは、識別サブグラフ構造とコンセンサスコミュニティ構造を同時に学習する。
論文 参考訳（メタデータ） (2024-09-30T14:48:45Z) - Detecting Evidence of Organization in groups by Trajectories [0.0]
本稿では,エージェント・トラジェクトリに基づくネットワーク構造推定のための2つの新しい手法を提案する。
新たなアプローチの有効性を評価するため,動物界における4つのシナリオシミュレーションを用いて実験を行った。
論文 参考訳（メタデータ） (2023-08-31T23:57:02Z) - GENIUS: A Novel Solution for Subteam Replacement with Clustering-based
Graph Neural Network [34.510076775330795]
サブチーム置換は、メンバーの非利用可能なサブセットとして最も機能できる人々の最適な候補セットを見つけるために定義される。
本稿では,新しいクラスタリングベースのグラフニューラルネットワーク(GNN)フレームワークであるGENIUSを提案する。
論文 参考訳（メタデータ） (2022-11-08T09:02:59Z) - Ranking-based Group Identification via Factorized Attention on Social
Tripartite Graph [68.08590487960475]
グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。
我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。
データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
論文 参考訳（メタデータ） (2022-11-02T01:42:20Z) - Frequent Itemset-driven Search for Finding Minimum Node Separators in
Complex Networks [61.2383572324176]
本稿では,データマイニングにおける頻繁なアイテムセットマイニングの概念をよく知られたメメティック検索フレームワークに統合する,頻繁なアイテムセット駆動探索手法を提案する。
頻繁なアイテムセット組換え演算子を反復的に使用して、高品質なソリューションで頻繁に発生するアイテムセットに基づいた有望な子孫ソリューションを生成する。
特に、29個の新しい上界を発見し、以前の18個の最もよく知られた境界と一致する。
論文 参考訳（メタデータ） (2022-01-18T11:16:40Z) - Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。
本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。
ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
論文 参考訳（メタデータ） (2021-12-03T14:23:05Z) - A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。
この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。
ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文 参考訳（メタデータ） (2021-05-26T14:37:07Z) - A Survey of Community Detection Approaches: From Statistical Modeling to
Deep Learning [95.27249880156256]
ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。
既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。
フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
論文 参考訳（メタデータ） (2021-01-03T02:32:45Z) - Extended Stochastic Block Models with Application to Criminal Networks [3.2211782521637393]
犯罪者間の関係を符号化する隠蔽ネットワークについて検討する。
ノイズの多いブロックパターンの共存は、日常的に使用されるコミュニティ検出アルゴリズムの信頼性を制限する。
我々は,共通接続パターンを持つノード群を推論する拡張ブロックモデル(ESBM)を新たに開発した。
論文 参考訳（メタデータ） (2020-07-16T19:06:16Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳（メタデータ） (2020-06-23T04:13:23Z) - Multi-level Graph Convolutional Networks for Cross-platform Anchor Link
Prediction [47.047999403900775]
クロスプラットフォームのアカウントマッチングは、ソーシャルネットワークの分析において重要な役割を果たす。
本稿では,ローカルネットワーク構造とハイパーグラフ構造の両方において,マルチレベルグラフの畳み込みを考慮した新しいフレームワークを提案する。
提案手法は,既存の作業におけるデータ不足を克服し,必ずしもユーザ人口統計情報に依存しない。
論文 参考訳（メタデータ） (2020-06-02T22:01:27Z)
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。