論文の概要: A Constraints Fusion-induced Symmetric Nonnegative Matrix Factorization
Approach for Community Detection
- arxiv url: http://arxiv.org/abs/2302.12114v1
- Date: Thu, 23 Feb 2023 15:52:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-24 14:39:52.209305
- Title: A Constraints Fusion-induced Symmetric Nonnegative Matrix Factorization
Approach for Community Detection
- Title(参考訳): 核融合誘起対称非負行列因子分解法によるコミュニティ検出
- Authors: Zhigang Liu and Xin Luo
- Abstract要約: コミュニティは、非ダイレクトなソーシャルネットワークの基本的で批判的な特徴である。
本稿では,新しいConstraints Fusionによる対称非負行列分解モデルを提案する。
これは、高精度なコミュニティ検出結果を達成する上で、最先端のモデルよりも大幅に優れています。
- 参考スコア(独自算出の注目度): 6.573829734173933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Community is a fundamental and critical characteristic of an undirected
social network, making community detection be a vital yet thorny issue in
network representation learning. A symmetric and non-negative matrix
factorization (SNMF) model is frequently adopted to address this issue owing to
its great interpretability and scalability. However, it adopts a single latent
factor matrix to represent an undirected network for precisely representing its
symmetry, which leads to loss of representation learning ability due to the
reduced latent space. Motivated by this discovery, this paper proposes a novel
Constraints Fusion-induced Symmetric Nonnegative Matrix Factorization (CFS)
model that adopts three-fold ideas: a) Representing a target undirected network
with multiple latent factor matrices, thus preserving its representation
learning capacity; b) Incorporating a symmetry-regularizer that preserves the
symmetry of the learnt low-rank approximation to the adjacency matrix into the
loss function, thus making the resultant detector well-aware of the target
network's symmetry; and c) Introducing a graph-regularizer that preserves local
invariance of the network's intrinsic geometry, thus making the achieved
detector well-aware of community structure within the target network.
Extensively empirical studies on eight real-world social networks from
industrial applications demonstrate that the proposed CFS model significantly
outperforms state-of-the-art models in achieving highly-accurate community
detection results.
- Abstract(参考訳): コミュニティは、無指向のソーシャルネットワークの基本的かつ重要な特徴であり、ネットワーク表現学習において、コミュニティ検出は不可欠であるが、厄介な問題である。
対称性および非負行列分解(SNMF)モデルは、その大きな解釈可能性とスケーラビリティのために、この問題に対処するために頻繁に採用されている。
しかし、その対称性を正確に表わすための無向ネットワークを表現するために単一の潜在因子行列を採用すると、潜在空間が減少することによる表現学習能力が失われる。
この発見に動機づけられた本論文では,3次元のアイデアを取り入れた,新規なConstraints Fusion誘発対称非負行列分解モデルを提案する。
a) 複数の潜在因子行列を有する対象非指向ネットワークを表現し、その表現学習能力を維持すること。
b) 隣接行列への学習された低ランク近似の対称性を損失関数に保存する対称性レギュラライザを組み込むことにより、対象ネットワークの対称性をよく認識する。
c) ネットワークの固有形状の局所的不変性を保ったグラフ正規化器の導入により, 対象ネットワーク内のコミュニティ構造を認識した。
産業応用による実世界の8つのソーシャルネットワークに関する広範囲な実証研究により,提案するcfsモデルは,高度に正確なコミュニティ検出結果を達成する上で,最先端のモデルを大幅に上回っていることが示された。
関連論文リスト
- The Decimation Scheme for Symmetric Matrix Factorization [0.0]
行列分解(Matrix factorization)は、その広範囲な応用により重要になった推論問題である。
我々はこの広範囲なランク問題について研究し、最近導入した代替の「決定」手順を拡張した。
本稿では,デシメーションを実装し,行列分解を行う基底状態探索に基づく簡単なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-07-31T10:53:45Z) - Multi-constrained Symmetric Nonnegative Latent Factor Analysis for
Accurately Representing Large-scale Undirected Weighted Networks [2.1797442801107056]
ビッグデータ関連アプリケーションでは、Undirected Weighted Network (UWN) が頻繁に発生する。
解析モデルは、UWNの固有対称性を記述するために、その対称性トポロジーを慎重に考慮する必要がある。
本稿では,2次元アイデアを用いた多制約対称性非負遅延要素分析モデルを提案する。
論文 参考訳(メタデータ) (2023-06-06T14:13:16Z) - Proximal Symmetric Non-negative Latent Factor Analysis: A Novel Approach
to Highly-Accurate Representation of Undirected Weighted Networks [2.1797442801107056]
Undirected Weighted Network (UWN) は、ビッグデータ関連のアプリケーションで一般的に見られる。
既存のモデルは本質対称性や低データ密度のモデル化に失敗する。
近軸対称非負の潜在因子分析モデルを提案する。
論文 参考訳(メタデータ) (2023-06-06T13:03:24Z) - Signed Network Embedding with Application to Simultaneous Detection of
Communities and Anomalies [25.541992448747695]
本稿では,ネットワーク間のバランス構造と異常な影響を解消するために,符号付きネットワークの統一的な埋め込みモデルを開発する。
提案モデルでは,低位+スパース行列分解によるバランス構造と異常効果の両方を捉える。
また, 組込みモデルの利点は, 合成ネットワークと国際関係ネットワークの双方において, 広範な数値実験によって実証される。
論文 参考訳(メタデータ) (2022-07-08T03:58:56Z) - Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。
この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。
本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-06-08T04:09:13Z) - High-order Order Proximity-Incorporated, Symmetry and Graph-Regularized
Nonnegative Matrix Factorization for Community Detection [6.573829734173933]
高次近似(HOP)、対称性、グラフ規則化NMF(HSGN)モデルの提案。
HSGNベースのコミュニティ検出器は、高い精度のコミュニティ検出結果を提供するために、ベンチマークと最先端のコミュニティ検出器の両方を著しく上回っている。
論文 参考訳(メタデータ) (2022-03-08T06:45:31Z) - Robustness Certificates for Implicit Neural Networks: A Mixed Monotone
Contractive Approach [60.67748036747221]
暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。
入力逆流の摂動に関して、それらは不安定なままである。
本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
論文 参考訳(メタデータ) (2021-12-10T03:08:55Z) - The Interplay Between Implicit Bias and Benign Overfitting in Two-Layer
Linear Networks [51.1848572349154]
ノイズの多いデータに完全に適合するニューラルネットワークモデルは、見当たらないテストデータにうまく一般化できる。
我々は,2層線形ニューラルネットワークを2乗損失の勾配流で補間し,余剰リスクを導出する。
論文 参考訳(メタデータ) (2021-08-25T22:01:01Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳(メタデータ) (2021-03-05T04:42:32Z) - Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。
我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文 参考訳(メタデータ) (2021-02-23T20:59:30Z) - Semiparametric Nonlinear Bipartite Graph Representation Learning with
Provable Guarantees [106.91654068632882]
半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。
提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。
我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
論文 参考訳(メタデータ) (2020-03-02T16:40:36Z)
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。