論文の概要: Fast inference of latent space dynamics in huge relational event
networks
- arxiv url: http://arxiv.org/abs/2303.17460v1
- Date: Wed, 29 Mar 2023 15:18:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 13:12:50.217782
- Title: Fast inference of latent space dynamics in huge relational event
networks
- Title（参考訳）: 巨大リレーショナルイベントネットワークにおける潜時空間ダイナミクスの高速推定
- Authors: Igor Artico and Ernst Wit
- Abstract要約: 巨大イベントネットワークに対処可能な確率に基づくアルゴリズムを提案する。
本研究では,解釈可能な潜在空間に埋め込まれたネットワークコミュニティのダイナミクスを推定するための階層的戦略を提案する。
大規模ネットワークでフレームワークを実現するには、機械学習最適化の方法論を借りる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Relational events are a type of social interactions, that sometimes are
referred to as dynamic networks. Its dynamics typically depends on emerging
patterns, so-called endogenous variables, or external forces, referred to as
exogenous variables. Comprehensive information on the actors in the network,
especially for huge networks, is rare, however. A latent space approach in
network analysis has been a popular way to account for unmeasured covariates
that are driving network configurations. Bayesian and EM-type algorithms have
been proposed for inferring the latent space, but both the sheer size many
social network applications as well as the dynamic nature of the process, and
therefore the latent space, make computations prohibitively expensive. In this
work we propose a likelihood-based algorithm that can deal with huge relational
event networks. We propose a hierarchical strategy for inferring network
community dynamics embedded into an interpretable latent space. Node dynamics
are described by smooth spline processes. To make the framework feasible for
large networks we borrow from machine learning optimization methodology.
Model-based clustering is carried out via a convex clustering penalization,
encouraging shared trajectories for ease of interpretation. We propose a
model-based approach for separating macro-microstructures and perform a
hierarchical analysis within successive hierarchies. The method can fit
millions of nodes on a public Colab GPU in a few minutes. The code and a
tutorial are available in a Github repository.
- Abstract（参考訳）: 関係イベントは社会的相互作用の一種であり、動的ネットワークと呼ばれることもある。
その力学は一般的に、出現するパターン、いわゆる内因性変数、または外因性変数と呼ばれる外部力に依存する。
しかし、ネットワーク内のアクター、特に巨大なネットワークに関する包括的な情報は稀である。
ネットワーク解析における潜在空間アプローチは、ネットワーク構成を駆動する未測定共変量を考慮した一般的な方法である。
ベイジアンおよびem型アルゴリズムは潜在空間を推定するために提案されているが、多くのソーシャルネットワークアプリケーションのサイズとプロセスの動的性質、したがって潜在空間の両方が、計算を禁止的に高価にする。
本研究では,巨大リレーショナルイベントネットワークを扱う可能性に基づくアルゴリズムを提案する。
本稿では,解釈可能な潜在空間に埋め込まれたネットワークコミュニティダイナミクスを推論するための階層戦略を提案する。
ノードダイナミクスは滑らかなスプラインプロセスによって記述される。
大規模ネットワークでフレームワークを実現するには、機械学習最適化の方法論を借りる。
モデルに基づくクラスタリングは凸クラスタリングペナル化によって行われ、解釈が容易な共有軌道が奨励される。
本稿では,マクロマイクロ構造を分離し,階層的解析を行うためのモデルベースアプローチを提案する。
この方法は、数百万のノードを公開のColab GPUに数分で適合させることができる。
コードとチュートリアルはGithubリポジトリで公開されている。
関連論文リスト
- Discovering Message Passing Hierarchies for Mesh-Based Physics Simulation [61.89682310797067]
DHMPを導入し,異なるノード選択手法を用いてメッセージパッシングネットワークの動的階層を学習する。
本実験はDHMPの有効性を実証し,近年の固定階層型メッセージパッシングネットワークと比較して平均22.7%改善した。
論文 参考訳（メタデータ） (2024-10-03T15:18:00Z) - Bayesian Detection of Mesoscale Structures in Pathway Data on Graphs [0.0]
メソスケール構造は 複雑なシステムの抽象化と解析の 不可欠な部分です
それらは、社会的または引用ネットワークにおけるコミュニティ、企業間相互作用における役割、または輸送ネットワークにおける中核周辺構造におけるコミュニティを表現することができる。
我々は,グループ内のノードの最適分割と高次ネットワークの最適ダイナミクスを同時にモデル化するベイズ的アプローチを導出する。
論文 参考訳（メタデータ） (2023-01-16T12:45:33Z) - On Optimizing the Communication of Model Parallelism [74.15423270435949]
大規模モデル並列ディープラーニング(DL)における新しい重要なコミュニケーションパターンについて検討する。
クロスメッシュリシャーディングでは、シャードテンソルをソースデバイスメッシュから宛先デバイスメッシュに送信する必要がある。
本稿では、効率的な放送ベースの通信システムと「重複しやすい」パイプラインスケジュールという、クロスメシュ・リシャーディングに対処するための2つのコントリビューションを提案する。
論文 参考訳（メタデータ） (2022-11-10T03:56:48Z) - Learning with latent group sparsity via heat flow dynamics on networks [5.076419064097734]
機械学習問題における説明変数上のグループまたはクラスタ構造は非常に一般的な現象である。
このようなグループ構造下での学習には,グループアイデンティティに関する事前情報を必要としないアプローチに寄与する。
我々は、利用可能なデータに基づいて、そのようなネットワークを構築する手順を実証する。
論文 参考訳（メタデータ） (2022-01-20T17:45:57Z) - Network Clustering for Latent State and Changepoint Detection [0.0]
本稿では,ネットワーククラスタリングのタスクに対する凸アプローチを提案する。
コンベックスネットワーククラスタリングのための効率的なアルゴリズムを提案し,その有効性を合成例で示す。
論文 参考訳（メタデータ） (2021-11-01T21:51:45Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - Online Estimation and Community Detection of Network Point Processes for
Event Streams [12.211623200731788]
ネットワークモデリングにおける共通のゴールは、ノード間に存在する潜在コミュニティ構造を明らかにすることである。
本稿では,ネットワーク上の動的イベント到着に基づく潜在構造を推定する高速なオンライン変分推定アルゴリズムを提案する。
オンライン推論は、コミュニティリカバリの観点から、オンライン以外の変種に匹敵する性能が得られることを実証する。
論文 参考訳（メタデータ） (2020-09-03T15:39:55Z) - 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) - Modeling Dynamic Heterogeneous Network for Link Prediction using
Hierarchical Attention with Temporal RNN [16.362525151483084]
我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。
階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。
リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
論文 参考訳（メタデータ） (2020-04-01T17:16:47Z) - Learning Dynamic Routing for Semantic Segmentation [86.56049245100084]
本稿では,動的ルーティングと呼ばれる意味表現のスケール分散を緩和する概念的に新しい手法を提案する。
提案フレームワークは,各画像のスケール分布に適応して,データ依存経路を生成する。
この目的のために、ハエのスケール変換経路を選択するために、ソフトコンディショナルゲートと呼ばれる微分可能なゲーティング関数を提案する。
論文 参考訳（メタデータ） (2020-03-23T17:22:14Z) - Large-Scale Gradient-Free Deep Learning with Recursive Local
Representation Alignment [84.57874289554839]
大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。
これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。
本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
論文 参考訳（メタデータ） (2020-02-10T16:20:02Z)
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。