論文の概要: Higher-order Knowledge Transfer for Dynamic Community Detection with Great Changes

• arxiv url: http://arxiv.org/abs/2211.15043v1
• Date: Mon, 28 Nov 2022 04:06:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 17:46:33.172087
• Title: Higher-order Knowledge Transfer for Dynamic Community Detection with Great Changes
• Title（参考訳）: 大きな変化を伴う動的コミュニティ検出のための高次知識伝達
• Authors: Huixin Ma, Kai Wu, Handing Wang, Jing Liu
• Abstract要約: ネットワークの大幅な変更により、コミュニティ検出アルゴリズムは、以前のスナップショットから貴重な情報を得るのが困難になる。 本稿では、過去のスナップショットから高次知識を統合して、それに続くスナップショットを支援することにより、大幅な変化を伴う動的コミュニティ検出に焦点を当てる。 このようにして、我々の提案は、過去のコミュニティ検出結果の利点をよりよく保ち、それらを次のタスクに移すことができる。
• 参考スコア（独自算出の注目度）: 9.281041332482785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network structure evolves with time in the real world, and the discovery of changing communities in dynamic networks is an important research topic that poses challenging tasks. Most existing methods assume that no significant change in the network occurs; namely, the difference between adjacent snapshots is slight. However, great change exists in the real world usually. The great change in the network will result in the community detection algorithms are difficulty obtaining valuable information from the previous snapshot, leading to negative transfer for the next time steps. This paper focuses on dynamic community detection with substantial changes by integrating higher-order knowledge from the previous snapshots to aid the subsequent snapshots. Moreover, to improve search efficiency, a higher-order knowledge transfer strategy is designed to determine first-order and higher-order knowledge by detecting the similarity of the adjacency matrix of snapshots. In this way, our proposal can better keep the advantages of previous community detection results and transfer them to the next task. We conduct the experiments on four real-world networks, including the networks with great or minor changes. Experimental results in the low-similarity datasets demonstrate that higher-order knowledge is more valuable than first-order knowledge when the network changes significantly and keeps the advantage even if handling the high-similarity datasets. Our proposal can also guide other dynamic optimization problems with great changes.
• Abstract（参考訳）: ネットワーク構造は現実の時間とともに進化し,動的ネットワークにおけるコミュニティの変化の発見は,課題を提起する重要な研究課題である。 既存のほとんどのメソッドは、ネットワークに大きな変化は起こらないと仮定している。 しかし、通常、現実世界には大きな変化がある。 ネットワークの大幅な変更により、コミュニティ検出アルゴリズムは以前のスナップショットから貴重な情報を得るのが難しくなり、次のステップでは負の転送が行われる。 本稿では、過去のスナップショットから高次知識を統合することで、大幅な変化を伴う動的なコミュニティ検出に焦点を当てた。 さらに、検索効率を向上させるために、スナップショットの隣接行列の類似性を検出することにより、一階知識と高階知識を判定する高階知識転送戦略を考案する。 このように、我々の提案は、過去のコミュニティ検出結果の利点をよりよく保ち、それらを次のタスクに移すことができる。 我々は4つの実世界のネットワークで実験を行い、大きな変更や小さな変更を加えたネットワークを含む。 低相似性データセットにおける実験結果は、ネットワークが著しく変化しても一階の知識よりも高階の知識の方が価値があることを示し、高相似性データセットを扱う場合でも利点を保っていることを示している。 我々の提案は、大きな変化を伴う他の動的最適化問題を導くこともできる。

関連論文リスト

• Normalization and effective learning rates in reinforcement learning [52.59508428613934]
  正規化層は近年,深層強化学習と連続学習文学においてルネッサンスを経験している。 正規化は、ネットワークパラメータのノルムにおける成長と効果的な学習速度における崩壊の間の等価性という、微妙だが重要な副作用をもたらすことを示す。 そこで本研究では,正規化・プロジェクトと呼ぶ単純な再パラメータ化により,学習率を明示的にする手法を提案する。
  論文  参考訳（メタデータ） (2024-07-01T20:58:01Z)
• Explicit Change Relation Learning for Change Detection in VHR Remote Sensing Images [12.228675703851733]
  変更関係の特徴を明示的にマイニングするためのネットワークアーキテクチャNAMEを提案する。 変更検出の変更特徴は、事前変更画像特徴、後変更画像特徴、変更関係特徴に分けられる。 我々のネットワークは、F1、IoU、OAの点で、変更検出のための既存の先進的な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） (2023-11-14T08:47:38Z)
• Frugal Satellite Image Change Detection with Deep-Net Inversion [5.656581242851759]
  能動学習に基づく変化検出のための新しいアルゴリズムを考案する。 提案手法は,変化の関連性についてオラクル(ユーザ)を探索する質問・回答モデルに基づく。 主な貢献は、最も代表的で多様で不確実な仮想外見を学ぶことができる、新しい敵モデルにある。
  論文  参考訳（メタデータ） (2023-09-26T09:25:53Z)
• Change detection needs change information: improving deep 3D point cloud change detection [0.0]
  変更検出は、修正された領域を迅速に識別する重要なタスクである。 本研究では,3次元点雲(PC)を直接利用して情報損失を回避することに焦点を当てた。 3次元PC変更セグメンテーションに対処するアーキテクチャとして,OneConvFusion, Triplet KPConv, Fusion SiamKPConvの3つを提案する。
  論文  参考訳（メタデータ） (2023-04-25T08:10:48Z)
• Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
  動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。 我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。 3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2022-07-22T02:06:53Z)
• Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
  Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2022-02-23T18:23:07Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Online Verification of Deep Neural Networks under Domain or Weight Shift [2.512827436728378]
  既存の検証方法は、比較的単純な仕様と固定されたネットワークに限られている。 本稿では,ディープニューラルネットワークのオンライン検証を高速化する3種類の手法を提案する。 実験の結果,我々のオンライン検証アルゴリズムは,既存の検証アルゴリズムよりも最大2桁高速であることがわかった。
  論文  参考訳（メタデータ） (2021-06-24T02:38:27Z)
• Distilling Knowledge via Knowledge Review [69.15050871776552]
  教師と学生のネットワーク間の接続経路のクロスレベル要因を研究し、その大きな重要性を明らかにします。 知識蒸留において初めて, クロスステージ接続経路が提案されている。 最終的に設計されたネストでコンパクトなフレームワークは、無視できるオーバーヘッドを必要とし、さまざまなタスクで他のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-04-19T04:36:24Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Deep Image Translation with an Affinity-Based Change Prior for Unsupervised Multimodal Change Detection [20.485370285874613]
  本稿では,学習目標に対する変化画素の影響を低減するために,事前の重み付けにより損失関数を訓練した2つの新しいネットワークアーキテクチャを提案する。 提案したニューラルネットワークは最先端のアルゴリズムと比較される。
  論文  参考訳（メタデータ） (2020-01-13T14:23:24Z)

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。