Fugu-MT 論文翻訳(概要): Artificial Benchmark for Community Detection with Outliers (ABCD+o)

論文の概要: Artificial Benchmark for Community Detection with Outliers (ABCD+o)

arxiv url: http://arxiv.org/abs/2301.05749v2
Date: Mon, 12 Jun 2023 18:43:35 GMT
ステータス: 処理完了
システム内更新日: 2023-06-14 17:52:54.218798
Title: Artificial Benchmark for Community Detection with Outliers (ABCD+o)
Title（参考訳）: 外乱を用いたコミュニティ検出のための人工ベンチマーク(ABCD+o)
Authors: Bogumi{\l} Kami\'nski, Pawe{\l} Pra{\l}at, Fran\c{c}ois Th\'eberge
Abstract要約: ABCDモデルを拡張して、潜在的な外れ値を含める。我々はABCD+oモデルと実世界のネットワークの両方で探索実験を行い、外れ値が所望の特性を持つことを示す。
参考スコア（独自算出の注目度）: 5.8010446129208155
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The Artificial Benchmark for Community Detection graph (ABCD) is a random graph model with community structure and power-law distribution for both degrees and community sizes. The model generates graphs with similar properties as the well-known LFR one, and its main parameter $\xi$ can be tuned to mimic its counterpart in the LFR model, the mixing parameter $\mu$. In this paper, we extend the ABCD model to include potential outliers. We perform some exploratory experiments on both the new ABCD+o model as well as a real-world network to show that outliers possess some desired, distinguishable properties.
Abstract（参考訳）: ABCD(Artificial Benchmark for Community Detection graph)は、コミュニティ構造とコミュニティサイズの両方のパワー-ロー分布を持つランダムグラフモデルである。このモデルは、よく知られたLFRモデルと類似した性質を持つグラフを生成し、主要なパラメータ $\xi$ は LFRモデルで対応するパラメータ $\mu$ を模倣するように調整することができる。本稿では、ABCDモデルを拡張し、潜在的な外れ値を含む。我々はABCD+oモデルと実世界のネットワークの両方で探索実験を行い、外れ値が所望の特性を持つことを示す。

関連論文リスト

Self-similarity of Communities of the ABCD Model [0.5461938536945723]
The Artificial Benchmark for Community Detection (ABCD) graph is a random graph model with community structure and power-law distribution for both degrees and community sizes。 ABCDモデルは興味深い自己相似行動を示す。
論文参考訳（メタデータ） (2023-11-30T22:52:39Z)
Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
論文参考訳（メタデータ） (2023-10-25T17:59:12Z)
Hypergraph Artificial Benchmark for Community Detection (h-ABCD) [5.8010446129208155]
h-ABCDは、地平線の大きさと電力法に従って度合いの分布を持つランダムなハイパーグラフを生成する。オリジナルのABCDと同様に、新しいモデルh-ABCDは様々なレベルのノイズを持つハイパーグラフを生成することができる。
論文参考訳（メタデータ） (2022-10-26T20:06:56Z)
Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文参考訳（メタデータ） (2022-10-05T09:17:27Z)
uGLAD: Sparse graph recovery by optimizing deep unrolled networks [11.48281545083889]
深層ネットワークを最適化してスパースグラフ復元を行う新しい手法を提案する。我々のモデルであるuGLADは、最先端モデルGLADを教師なし設定に構築し、拡張します。我々は, 遺伝子調節ネットワークから生成した合成ガウスデータ, 非ガウスデータを用いて, モデル解析を行い, 嫌気性消化の事例研究を行った。
論文参考訳（メタデータ） (2022-05-23T20:20:27Z)
Properties and Performance of the ABCDe Random Graph Model with Community Structure [4.724825031148412]
本稿では,マルチスレッドを用いたABCDグラフ生成器ABCDeの新たな実装を提案する。 ABCDe は NetworKit で提供される LFR の並列実装よりも 10 倍以上高速でスケール可能であることを示す。
論文参考訳（メタデータ） (2022-03-28T17:03:24Z)
Modularity of the ABCD Random Graph Model with Community Structure [2.580765958706854]
ABCDグラフ(ABCD graph)は、地域社会の構造と、地域社会の大きさの両面での権力-法則分布を持つランダムグラフモデルである。我々は,ネットワークの最も重要なグラフ特性であるモジュラリティ関数を,コミュニティ検出の文脈で解析する。また、広く使われているルービンアルゴリズムを含む多くのコミュニティ検出アルゴリズムの品質関数としても使用されている。
論文参考訳（メタデータ） (2022-03-03T01:49:46Z)
Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文参考訳（メタデータ） (2022-02-28T15:53:10Z)
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)
Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。本稿では,非自明なERGに対する近似フレームワークを提案する。我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文参考訳（メタデータ） (2020-02-14T11:42:16Z)
Particle-Gibbs Sampling For Bayesian Feature Allocation Models [77.57285768500225]
最も広く使われているMCMC戦略は、特徴割り当て行列のギブス更新に頼っている。単一移動で特徴割り当て行列の全行を更新できるギブスサンプリング器を開発した。このサンプルは、計算複雑性が特徴数で指数関数的にスケールするにつれて、多数の特徴を持つモデルにとって実用的ではない。我々は,行ワイズギブズ更新と同じ分布を目標としたパーティクルギブズサンプルの開発を行うが,特徴数でのみ線形に増大する計算複雑性を有する。
論文参考訳（メタデータ） (2020-01-25T22:11:51Z)

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。