論文の概要: Bipartite mixed membership distribution-free model. A novel model for community detection in overlapping bipartite weighted networks
- arxiv url: http://arxiv.org/abs/2211.00912v3
- Date: Fri, 5 Apr 2024 08:44:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-08 20:59:44.965803
- Title: Bipartite mixed membership distribution-free model. A novel model for community detection in overlapping bipartite weighted networks
- Title（参考訳）: 重畳重畳重畳ネットワークにおけるコミュニティ検出のための新しいモデル
- Authors: Huan Qing, Jingli Wang,
- Abstract要約: 本稿では,BiMMDF(Bipartite Mixed Membership Distribution-Free)モデルを提案する。
我々のモデルでは、ノードのメンバシップに関連するブロック構造が期待されている限り、隣接行列は任意の分布に従うことができる。
理論的に一貫した推定を保証した効率的なアルゴリズムをBiMMDFに適合させる。
- 参考スコア（独自算出の注目度）: 0.4972323953932129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling and estimating mixed memberships for overlapping unipartite un-weighted networks has been well studied in recent years. However, to our knowledge, there is no model for a more general case, the overlapping bipartite weighted networks. To close this gap, we introduce a novel model, the Bipartite Mixed Membership Distribution-Free (BiMMDF) model. Our model allows an adjacency matrix to follow any distribution as long as its expectation has a block structure related to node membership. In particular, BiMMDF can model overlapping bipartite signed networks and it is an extension of many previous models, including the popular mixed membership stochastic blcokmodels. An efficient algorithm with a theoretical guarantee of consistent estimation is applied to fit BiMMDF. We then obtain the separation conditions of BiMMDF for different distributions. Furthermore, we also consider missing edges for sparse networks. The advantage of BiMMDF is demonstrated in extensive synthetic networks and eight real-world networks.
- Abstract（参考訳）: 重なり合うユニパートイト非重み付きネットワークに対する混合メンバシップのモデル化と推定は近年よく研究されている。
しかし、我々の知る限り、より一般的な場合、重なり合う二部重み付きネットワークのモデルはない。
このギャップを埋めるために、新しいモデルBiMMDF(Bipartite Mixed Membership Distribution-Free)を導入する。
我々のモデルでは、ノードのメンバシップに関連するブロック構造が期待されている限り、隣接行列は任意の分布に従うことができる。
特に、BiMMDFは重なり合うバイパートイト符号ネットワークをモデル化することができ、一般的な混合会員確率ブルコクモデルを含む、多くの先行モデルの拡張である。
理論的に一貫した推定を保証した効率的なアルゴリズムをBiMMDFに適合させる。
次に,分布の異なるBiMMDFの分離条件を得る。
さらに,スパースネットワークにおけるエッジの欠落についても検討する。
BiMMDFの利点は、広範囲な合成ネットワークと8つの現実世界ネットワークで実証されている。
関連論文リスト
- Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - Joint Bayesian Inference of Graphical Structure and Parameters with a
Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。
サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。
パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文 参考訳（メタデータ） (2023-05-30T19:16:44Z) - A new perspective on probabilistic image modeling [92.89846887298852]
本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。
DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。
本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
論文 参考訳（メタデータ） (2022-03-21T14:53:57Z) - Mixed membership distribution-free model [0.4972323953932129]
重なり合う重み付きネットワークにおいて、ノードが複数のコミュニティに属し、エッジ重みが有限実数となるようなコミュニティ検出の問題を考える。
このような複雑なネットワークをモデル化するために,MMDF(Mixed Memberity Distribution-free)モデルを提案する。
このモデルでは,収束率を理論的に保証した効率的なスペクトルアルゴリズムを用いて,コミュニティメンバーシップを推定する。
論文 参考訳（メタデータ） (2021-12-04T18:21:02Z) - Community detection for weighted bipartite networks [1.0965065178451106]
citerohe2016coは、ネットワーク研究における二部グラフデータのコミュニティ構造を検出するツールとして、co-Blockmodel (ScBM)を提案した。
ここでは、重み付き二部ネットワークをモデル化するために、ScBMの分布制限を解放することにより、二部分布自由モデルを導入する。
我々のモデルは、隣接行列の生成要素に関する特定の分布を必要としないが、期待される隣接行列上のブロック構造のみである。
論文 参考訳（メタデータ） (2021-09-21T17:01:36Z) - Siamese Neural Network with Joint Bayesian Model Structure for Speaker
Verification [54.96267179988487]
本稿では,話者検証のための新しいサイムズニューラルネットワーク(SiamNN)を提案する。
サンプルの結合分布は、JB(Joint Bayesian)に基づく生成モデルに基づいて最初に定式化される。
話者照合のための二項識別タスクとして,ペアワイズしたサンプルを用いてモデルパラメータを訓練する。
論文 参考訳（メタデータ） (2021-04-07T09:17:29Z) - Bipartite mixed membership stochastic blockmodel [1.370633147306388]
本研究では,BiMMSB (Bipartite mixed membership blockmodel) とBiMMSB (BiMMSB) の相互運用モデルを提案する。
また、BiMPCAと呼ばれる効率的なスペクトルアルゴリズムを開発し、有向ネットワーク内の行ノードと列ノードの両方の混合メンバーシップを推定します。
論文 参考訳（メタデータ） (2021-01-07T00:21:50Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z) - A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network
Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。
具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。
提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文 参考訳（メタデータ） (2020-07-19T22:50:20Z) - Struct-MMSB: Mixed Membership Stochastic Blockmodels with Interpretable
Structured Priors [13.712395104755783]
混合メンバシップブロックモデル(MMSB)は、コミュニティ検出とネットワーク生成のための一般的なフレームワークである。
最近開発された統計リレーショナル学習モデルであるヒンジロスマルコフ確率場(HL-MRF)を用いた柔軟なMMSBモデル、textitStruct-MMSBを提案する。
我々のモデルは、観測された特徴と会員分布の複雑な組み合わせとして符号化された有意義な潜伏変数を用いて、実世界のネットワークにおける潜伏特性を学習することができる。
論文 参考訳（メタデータ） (2020-02-21T19:32:32Z) - Community Detection in Bipartite Networks with Stochastic Blockmodels [0.0]
バイパーティイトネットワークでは、あるタイプのノードは、他のタイプのノードとの共通の接続パターンに従ってグループ化される。
これにより、ブロックモデル(SBM)が2部構成のコミュニティ検出の直感的な選択となる。
我々はSBMの非パラメトリックな定式化とそれに対応するアルゴリズムを導入し、二部ネットワークのコミュニティを効率的に見つける。
論文 参考訳（メタデータ） (2020-01-22T05:58:19Z)
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。