論文の概要: Generative models for two-ground-truth partitions in networks
- arxiv url: http://arxiv.org/abs/2302.02787v1
- Date: Mon, 6 Feb 2023 14:02:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 16:38:28.777423
- Title: Generative models for two-ground-truth partitions in networks
- Title（参考訳）: ネットワークにおける2次元空間分割の生成モデル
- Authors: Lena Mangold and Camille Roth
- Abstract要約: 本稿では,1つのベンチマークネットワークのメソスケール構造に2つの異なるパーティションを組み込むことができる生成モデルを提案する。
2つのパーティションを個別に検出する能力は変分によって大きく異なり、両方のパーティションの共存は極めて限られたケースでのみ回復される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A myriad of approaches have been proposed to characterise the mesoscale
structure of networks - most often as a partition based on patterns variously
called communities, blocks, or clusters. Clearly, distinct methods designed to
detect different types of patterns may provide a variety of answers to the
network's mesoscale structure. Yet, even multiple runs of a given method can
sometimes yield diverse and conflicting results, yielding entire landscapes of
partitions which potentially include multiple (locally optimal) mesoscale
explanations of the network. Such ambiguity motivates a closer look at the
ability of these methods to find multiple qualitatively different 'ground
truth' partitions in a network. Here, we propose a generative model which
allows for two distinct partitions to be built into the mesoscale structure of
a single benchmark network. We demonstrate a use case of the benchmark model by
exploring the power of stochastic block models (SBMs) to detect coexisting
bi-community and core-periphery structures of different strengths. We find that
the ability to detect the two partitions individually varies considerably by
SBM variant and that coexistence of both partitions is recovered only in a very
limited number of cases. Our findings suggest that in most instances only one -
in some way dominating - structure can be detected, even in the presence of
other partitions in the generated network. They underline the need for
considering entire landscapes of partitions when different competing
explanations exist and motivate future research to advance partition
coexistence detection methods. Our model also contributes to the field of
benchmark networks more generally by enabling further exploration of the
ability of new and existing methods to detect ambiguity in mesoscale structure
of networks.
- Abstract（参考訳）: ネットワークのメソスケール構造を特徴付けるために、無数のアプローチが提案されている。
明らかに、異なる種類のパターンを検出するために設計された異なる手法は、ネットワークのメソスケール構造に様々な答えをもたらす可能性がある。
しかし、あるメソッドの複数の実行でさえ、多様で矛盾する結果をもたらすことがあるため、ネットワークの複数の(局所的に最適な)メソスケールの説明を含むパーティションの全体像が得られる。
このような曖昧さは、ネットワーク内の複数の定性的に異なる「根拠真理」パーティションを見つけるためのこれらの方法の能力をより詳しく見る動機となる。
本稿では,1つのベンチマークネットワークのメソスケール構造に2つの異なるパーティションを組み込むことができる生成モデルを提案する。
本研究では, 確率ブロックモデル (SBM) のパワーを探索し, 異なる強度の両コミュニティおよびコア周辺構造を検出することで, ベンチマークモデルの適用例を示す。
この2つのパーティションを検出できる能力は,SBM変種によって大きく異なり,両パーティションの共存は極めて限られたケースでのみ回復されることがわかった。
我々の発見は、ほとんどのケースにおいて、生成されたネットワークに他のパーティションが存在する場合でも、何らかの方法で支配的な構造を検出することができる。
異なる競合する説明が存在する場合、分割の景観全体を考慮する必要性を強調し、分割共存検出法を前進させるために将来の研究を動機付ける。
提案モデルは,ネットワークのメソスケール構造におけるあいまいさを検出する新しい手法のさらなる探索を可能にすることで,ベンチマークネットワークの分野に寄与する。
関連論文リスト
- Detecting and Approximating Redundant Computational Blocks in Neural Networks [25.436785396394804]
ネットワーク内の類似性は、より効率的なニューラルネットワークを設計する新たな機会を提供する。
本稿では,冗長ブロックを検出するための単純な測度であるBlock Redundancyを導入し,冗長ブロックを近似するためにRBA(Redundant Blocks Approximation)を提案する。
RBAは、優れたパフォーマンスを維持しながら、モデルパラメータと時間の複雑さを減らす。
論文 参考訳（メタデータ） (2024-10-07T11:35:24Z) - Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。
DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。
擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-06-30T03:17:20Z) - Redefining Neural Architecture Search of Heterogeneous Multi-Network
Models by Characterizing Variation Operators and Model Components [71.03032589756434]
複素領域における異なる変動演算子の効果について検討する。
モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
論文 参考訳（メタデータ） (2021-06-16T17:12:26Z) - Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。
我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。
我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
論文 参考訳（メタデータ） (2021-05-14T06:58:44Z) - 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) - Statistical inference of assortative community structures [0.0]
本研究では,非パラメトリックなベイズ型分割モデルの定式化に基づいて,ネットワーク内のコンソーシアティブなコミュニティを推定する手法を開発した。
我々は,提案手法が解決限界に達していないことを示し,任意に多数のコミュニティを発見できることを示した。
論文 参考訳（メタデータ） (2020-06-25T15:44:05Z) - Revealing consensus and dissensus between network partitions [0.0]
コミュニティ検出手法は、ネットワークを同様の特性を持つノードのグループに分割し、その大規模構造を明らかにする。
分布全体を要約する単一分割「ポイント推定」という形で、それらの間のコンセンサスを確立するための多くの方法が存在する。
ここでは、一般に、基底分布が不均一すぎるとき、そのような点から一貫した答えを得ることはできないことを示す。
我々は,分割の複雑な集団を,既存のコンセンサスだけでなく,人口の要素間の不一致を捉える方法で特徴付け,要約するために設計された,包括的手法のセットを提供する。
論文 参考訳（メタデータ） (2020-05-28T13:29:42Z) - Consistency of Spectral Clustering on Hierarchical Stochastic Block
Models [5.983753938303726]
実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。
本手法の強い一貫性を,幅広いモデルパラメータで証明する。
既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
論文 参考訳（メタデータ） (2020-04-30T01:08:59Z) - Variational Inference for Deep Probabilistic Canonical Correlation
Analysis [49.36636239154184]
線形多視点層と深層生成ネットワークを観測モデルとして構成した深部確率的多視点モデルを提案する。
潜在確率多視点層の後方分布を近似した効率的な変分推論法を開発した。
任意の数のビューを持つモデルへの一般化も提案されている。
論文 参考訳（メタデータ） (2020-03-09T17:51:15Z) - 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) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2020-01-06T20:03:17Z)
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。