論文の概要: Unsupervised Instance and Subnetwork Selection for Network Data

• arxiv url: http://arxiv.org/abs/2212.12771v1
• Date: Sat, 24 Dec 2022 16:40:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 15:43:56.305421
• Title: Unsupervised Instance and Subnetwork Selection for Network Data
• Title（参考訳）: ネットワークデータの教師なしインスタンスとサブネットワーク選択
• Authors: Lin Zhang, Nicholas Moskwa, Melinda Larsen, Petko Bogdanov
• Abstract要約: ネットワークデータは一般的に高次元(ノード数が多い)であり、しばしば外部スナップショットインスタンスとノイズを含んでいる。 ネットワークデータに対する差別的作業と代表的事例を、監督なしで共同で選択するにはどうすればよいか? UISSと呼ばれるネットワークデータの協調サブネットワークとインスタンス選択のための、教師なしのフレームワークにおいて、これらの課題に対処する。
• 参考スコア（独自算出の注目度）: 10.4302419651183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unlike tabular data, features in network data are interconnected within a domain-specific graph. Examples of this setting include gene expression overlaid on a protein interaction network (PPI) and user opinions in a social network. Network data is typically high-dimensional (large number of nodes) and often contains outlier snapshot instances and noise. In addition, it is often non-trivial and time-consuming to annotate instances with global labels (e.g., disease or normal). How can we jointly select discriminative subnetworks and representative instances for network data without supervision? We address these challenges within an unsupervised framework for joint subnetwork and instance selection in network data, called UISS, via a convex self-representation objective. Given an unlabeled network dataset, UISS identifies representative instances while ignoring outliers. It outperforms state-of-the-art baselines on both discriminative subnetwork selection and representative instance selection, achieving up to 10% accuracy improvement on all real-world data sets we use for evaluation. When employed for exploratory analysis in RNA-seq network samples from multiple studies it produces interpretable and informative summaries.
• Abstract（参考訳）: 表データとは異なり、ネットワークデータの機能はドメイン固有のグラフ内で相互接続される。 この設定の例としては、タンパク質相互作用ネットワーク(PPI)上の遺伝子発現オーバーレイドと、ソーシャルネットワークにおけるユーザ意見がある。 ネットワークデータは通常、高次元(ノード数が多い)で、異常なスナップショットインスタンスやノイズを含むことが多い。 さらに、グローバルラベル(病気や正常など)をアノテートしたインスタンスには、非自明で時間を要することが多い。 ネットワークデータの識別的サブネットワークと代表インスタンスを、監督なしで共同選択できるのか? 我々は,この課題を,凸自己表現の目的を通じて,UISSと呼ばれるネットワークデータにおける統合サブネットワークとインスタンス選択のための教師なしフレームワーク内で解決する。 ラベルのないネットワークデータセットが与えられた場合、UISSは、外れ値を無視しながら代表インスタンスを識別する。 差別的なサブネットワーク選択と代表インスタンス選択の両方で最先端のベースラインを上回り、評価に使用する実世界のデータセットの最大10%の精度向上を実現します。 複数の研究から得られたRNA-seqネットワークサンプルの探索解析に使用されると、解釈可能で情報的要約が生成される。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Generalizable Metric Network for Cross-domain Person Re-identification [55.71632958027289]
  クロスドメイン(ドメインの一般化)シーンは、Re-IDタスクにおいて課題となる。 既存のほとんどのメソッドは、すべてのドメインのドメイン不変またはロバストな機能を学ぶことを目的としています。 本稿では,サンプルペア空間における標本類似性を調べるために,GMN(Generalizable Metric Network)を提案する。
  論文  参考訳（メタデータ） (2023-06-21T03:05:25Z)
• Interpreting Bias in the Neural Networks: A Peek Into Representational Similarity [0.0]
  偏りのあるデータに基づいて学習した畳み込み型ニューラルネットワークの性能と内部表現構造について検討する。 目的関数にCKA(Centered Kernel Alignment)を用いて,表現の類似性について検討する。 ニューラルネットワークの層間のプログレッシブな表現的類似性がなければ、その性能はロバストになりそうにない。
  論文  参考訳（メタデータ） (2022-11-14T22:17:14Z)
• On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
  我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。 我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
  論文  参考訳（メタデータ） (2022-05-18T16:57:10Z)
• AU-NN: ANFIS Unit Neural Network [0.16058099298620418]
  本稿では、個々のニューロンが独立したANFISであるディープニューラルネットワークであるANFISユニットニューラルネットワークについて述べる。 このネットワークの2つのユースケースは、ネットワークの能力をテストするために示される。
  論文  参考訳（メタデータ） (2022-04-21T18:11:34Z)
• Slope and generalization properties of neural networks [0.0]
  十分に訓練されたニューラルネットワーク分類器の勾配分布は、一般に、完全に接続されたネットワークの層幅から独立していることを示す。 傾斜は、関連する体積を通して類似した大きさであり、滑らかに変化する。また、再スケーリングの例でも予測されるように振る舞う。 本稿では、損失関数の一部として利用したり、ネットワークトレーニング中に基準を終了させたり、複雑度の観点からデータセットをランク付けしたりといった、斜面概念の応用の可能性について論じる。
  論文  参考訳（メタデータ） (2021-07-03T17:54:27Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)
• 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)
• Inferring Network Structure From Data [1.2437226707039446]
  本稿では,ネットワークの様々なタスクに対する有効性を評価することに焦点を当てたネットワークモデル選択手法を提案する。 このネットワーク定義は、基礎となるシステムの振る舞いをモデル化するためのいくつかの方法において重要であることを実証する。
  論文  参考訳（メタデータ） (2020-04-04T23:30:54Z)

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。