Fugu-MT 論文翻訳(概要): rMultiNet: An R Package For Multilayer Networks Analysis

論文の概要: rMultiNet: An R Package For Multilayer Networks Analysis

arxiv url: http://arxiv.org/abs/2302.04437v1
Date: Thu, 9 Feb 2023 04:49:02 GMT
ステータス: 処理完了
システム内更新日: 2023-02-10 16:59:06.374066
Title: rMultiNet: An R Package For Multilayer Networks Analysis
Title（参考訳）: rMultiNet:マルチレイヤネットワーク分析のためのRパッケージ
Authors: Ting Li, Zhongyuan Lyu, Chenyu Ren, Dong Xia
Abstract要約: 本稿では,マルチレイヤネットワークデータを解析するためのRパッケージrMultiNetを提案する。最近の文献では、混合多層ブロックモデル(MMSBM)と混合多層ラテント空間モデル(MMLSM)の2つの一般的なフレームワークを提供している。また,ノードとレイヤの埋め込みを明らかにし,さらにクラスタリングなどのデータ解析手法を提案する。
参考スコア（独自算出の注目度）: 12.244594819580831
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper develops an R package rMultiNet to analyze multilayer network data. We provide two general frameworks from recent literature, e.g. mixture multilayer stochastic block model(MMSBM) and mixture multilayer latent space model(MMLSM) to generate the multilayer network. We also provide several methods to reveal the embedding of both nodes and layers followed by further data analysis methods, such as clustering. Three real data examples are processed in the package. The source code of rMultiNet is available at https://github.com/ChenyuzZZ73/rMultiNet.
Abstract（参考訳）: 本稿では,マルチレイヤネットワークデータを解析するためのRパッケージrMultiNetを提案する。本研究では,最近の文献から,混合多層確率ブロックモデル(mmsbm)と混合多層潜在空間モデル(mmlsm)の2つの一般的な枠組みを提案し,多層ネットワークを生成する。また、ノードとレイヤの両方の埋め込みを明らかにし、さらにクラスタリングなどのデータ分析方法も提供している。 3つの実データ例がパッケージで処理される。 rMultiNetのソースコードはhttps://github.com/ChenyuzZ73/rMultiNetで入手できる。

関連論文リスト

Multimodal Learned Sparse Retrieval with Probabilistic Expansion Control [66.78146440275093]
学習検索(LSR)は、クエリとドキュメントを疎語彙ベクトルにエンコードするニューラルネットワークのファミリーである。テキスト画像検索に焦点をあて,マルチモーダル領域へのLSRの適用について検討する。 LexLIPやSTAIRのような現在のアプローチでは、大規模なデータセットで複雑なマルチステップのトレーニングが必要です。提案手法は, 密度ベクトルを凍結密度モデルからスパース語彙ベクトルへ効率的に変換する。
論文参考訳（メタデータ） (2024-02-27T14:21:56Z)
Multilayer Graph Approach to Deep Subspace Clustering [0.0]
自己表現型モデル学習表現行列に基づくディープサブスペースクラスタリング(DSC)ネットワークは、完全に接続されたネットワークで実装されることが多い。本稿では,入力データを含むエンコーダネットワークの全層から学習した表現から,選択した線形部分空間クラスタリングアルゴリズムを用いて表現を学習する。ベースラインモデルとして2つのDSCネットワークを持つ4つのよく知られたデータセットに対して,提案手法を検証した。
論文参考訳（メタデータ） (2024-01-30T14:09:41Z)
ConsistNet: Enforcing 3D Consistency for Multi-view Images Diffusion [61.37481051263816]
本稿では,1つの3Dオブジェクトのイメージが与えられた場合,同じオブジェクトの複数の画像を生成できる手法(ConsistNet)を提案する。凍結したZero123のバックボーン上での3次元の一貫性を効果的に学習し、1つのA100 GPU上で40秒以内でオブジェクトの周囲のビューを生成する。
論文参考訳（メタデータ） (2023-10-16T12:29:29Z)
Multi-view Multi-label Anomaly Network Traffic Classification based on MLP-Mixer Neural Network [55.21501819988941]
畳み込みニューラルネットワーク(CNN)に基づく既存のネットワークトラフィック分類は、グローバルな情報関連を無視しながら、トラフィックデータの局所的なパターンを強調することが多い。本稿では,エンドツーエンドのネットワークトラフィック分類手法を提案する。
論文参考訳（メタデータ） (2022-10-30T01:52:05Z)
Single-stream CNN with Learnable Architecture for Multi-source Remote Sensing Data [16.810239678639288]
マルチソースリモートセンシングデータ共同分類のための,深層畳み込みニューラルネットワーク(CNN)に基づく効率的なフレームワークを提案する。提案手法は,最新のCNNモデルを任意のマルチソースリモートセンシングデータセットに理論的に調整することができる。実験により,提案したシングルストリームCNNの有効性が示された。
論文参考訳（メタデータ） (2021-09-13T16:10:41Z)
Multiplex Graph Networks for Multimodal Brain Network Analysis [30.195666008281915]
我々は,マルチモーダル脳ネットワーク解析のための簡易かつ効果的な多重グラフ畳み込みネットワーク(GCN)モデルMGNetを提案する。現実の2つの挑戦的データセット(HIVと双極性障害)の分類タスクを行う。
論文参考訳（メタデータ） (2021-07-31T06:01:29Z)
MixMo: Mixing Multiple Inputs for Multiple Outputs via Deep Subnetworks [97.08677678499075]
マルチインプットマルチアウトプットディープワークを学ぶための新しいフレームワークであるMixMoを紹介します。機能、特にCutMixのパッチによるバイナリの混合は、ワークをより強く、より多様なものにすることによって、結果を向上します。実装が容易で、推論にコストがかかることに加えて、我々のモデルはよりコストの高いデータ拡張深層アンサンブルよりも優れています。
論文参考訳（メタデータ） (2021-03-10T15:31:02Z)
MultiVERSE: a multiplex and multiplex-heterogeneous network embedding approach [0.0]
MultiVERSEは、マルチプレックスおよびマルチプレックスヘテロジニアスネットワークからノード埋め込みを学習する高速でスケーラブルな方法である。生体およびソーシャルネットワーク上でMultiVERSEを評価し,その効率性を実証した。
論文参考訳（メタデータ） (2020-08-23T18:18:54Z)
Dense Hybrid Recurrent Multi-view Stereo Net with Dynamic Consistency Checking [54.58791377183574]
1)DRENet(Dense Reception Expanded)モジュールで,原サイズの密集した特徴マップをマルチスケールのコンテキスト情報で抽出し,2)HU-LSTM(Hybrid U-LSTM)を用いて3次元マッチングボリュームを予測深度マップに変換する。 R-MVSNetのメモリ消費は19.4%しかかからないが,本手法は最先端の手法と競合する性能を示し,メモリ消費を劇的に削減する。
論文参考訳（メタデータ） (2020-07-21T14:59:59Z)
Multi-Stage Hybrid Federated Learning over Large-Scale D2D-Enabled Fog Networks [61.30171206892684]
ネットワークを多層クラスタベース構造とみなす階層内モデル学習と層間モデル学習のハイブリッドを開発する。 MH-FLは、デバイス間通信(D2D)を介して形成されたローカルネットワークを含む、クラスタ内のノード間のトポロジー構造を考察している。異なるネットワーク層におけるデバイスを協調的/協調的にオーケストレーションし、モデルパラメータの局所的なコンセンサスを形成する。
論文参考訳（メタデータ） (2020-07-18T20:03:07Z)

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。