論文の概要: Multi-view shaker detection: Insights from a noise-immune influence analysis Perspective

• arxiv url: http://arxiv.org/abs/2303.06292v1
• Date: Sat, 11 Mar 2023 03:08:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 19:56:17.179310
• Title: Multi-view shaker detection: Insights from a noise-immune influence analysis Perspective
• Title（参考訳）: マルチビュー揺らぎ検出:ノイズ免疫の影響分析の観点から
• Authors: Chang Liao
• Abstract要約: 短期多属性進化記録から信頼性のある影響を学習する方法を検討する。 1) 短期的な揺らぎを共同で検出する方法, および異なる視点における相反する影響をモデル化する方法。 その間、不整合と急激なアウトリーチの両方を発見しました。
• 参考スコア（独自算出の注目度）: 1.52292571922932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Entities whose changes will significantly affect others in a networked system are called shakers. In recent years, some models have been proposed to detect such shaker from evolving entities. However, limited work has focused on shaker detection in very short term, which has many real-world applications. For example, in financial market, it can enable both investors and governors to quickly respond to rapid changes. Under the short-term setting, conventional methods may suffer from limited data sample problems and are sensitive to cynical manipulations, leading to unreliable results. Fortunately, there are multi-attribute evolution records available, which can provide compatible and complementary information. In this paper, we investigate how to learn reliable influence results from the short-term multi-attribute evolution records. We call entities with consistent influence among different views in short term as multi-view shakers and study the new problem of multi-view shaker detection. We identify the challenges as follows: (1) how to jointly detect short-term shakers and model conflicting influence results among different views? (2) how to filter spurious influence relation in each individual view for robust influence inference? In response, a novel solution, called Robust Influence Network from a noise-immune influence analysis perspective is proposed, where the possible outliers are well modelled jointly with multi-view shaker detection task. More specifically, we learn the influence relation from each view and transform influence relation from different views into an intermediate representation. In the meantime, we uncover both the inconsistent and spurious outliers.
• Abstract（参考訳）: ネットワークシステム内の他の組織に大きく影響するエンティティは、シェーカーと呼ばれる。 近年、進化する物質からそのような揺らぎを検出するモデルが提案されている。 しかし、限られた作業は、多くの現実世界の応用がある非常に短期的なシェーカー検出に焦点を当てている。 例えば金融市場では、投資家と知事の両方が急速な変化に迅速に対応できる。 短期的な設定では、従来の手法は限られたデータサンプルの問題に苦しめられ、シニカルな操作に敏感であり、信頼性の低い結果をもたらす。 幸いなことに、複数の属性進化レコードがあり、互換性があり補完的な情報を提供できる。 本稿では,短期多属性進化記録から信頼性のある影響を学習する方法を検討する。 我々は,複数の視点に一貫した影響を持つエンティティを,短期的にはマルチビューシェーカーと呼び,マルチビューシェーカー検出の新たな課題について検討する。 1) 短期的な揺らぎを共同で検出する方法、および異なる視点における相反する影響をモデル化する方法。 (2)頑健な影響推論のための各視点における突発的な影響関係のフィルタリング方法 これに対して,ノイズ・免疫的影響分析の観点から,ロバスト影響ネットワークと呼ばれる新しい解を提案する。 より具体的には、各視点から影響関係を学び、異なる視点から影響関係を中間表現に変換する。 その間に、一貫性のない、スプリアスなアウトリアーの両方を明らかにする。

関連論文リスト

• Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
  RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。 このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-02T14:34:27Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning [98.78136504619539]
  Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。 この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-12T17:43:38Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Uncertainty-Aware Multi-View Representation Learning [53.06828186507994]
  動的不確実性認識ネットワーク(DUA-Nets)と呼ばれる新しい教師なし多視点学習手法を考案する。 生成視点から推定されるデータの不確実性により、複数の視点からの固有情報が統合され、ノイズのない表現が得られる。 本モデルでは, 広範囲な実験において優れた性能を示し, ノイズの多いデータに対するロバスト性を示す。
  論文  参考訳（メタデータ） (2022-01-15T07:16:20Z)
• Adversarial Attacks in a Multi-view Setting: An Empirical Study of the Adversarial Patches Inter-view Transferability [3.1542695050861544]
  敵攻撃は、検知器を騙す可能性のある入力への加算ノイズからなる。 最近の実世界の印刷可能な敵パッチは、最先端のニューラルネットワークに対して効果的であることが証明された。 視角が対向パッチの有効性に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2021-10-10T19:59:28Z)
• Information Interaction Profile of Choice Adoption [2.9972063833424216]
  相互作用するエンティティを分離する時間的距離に応じて、エンティティの相互作用ネットワークとその進化を推定する効率的な方法を紹介します。 相互作用プロファイルは、相互作用プロセスのメカニズムを特徴付けることができます。 ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
  論文  参考訳（メタデータ） (2021-04-28T10:42:25Z)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)

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。