論文の概要: Improving Link Prediction in Social Networks Using Local and Global
Features: A Clustering-based Approach
- arxiv url: http://arxiv.org/abs/2305.10257v1
- Date: Wed, 17 May 2023 14:45:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 15:19:37.301497
- Title: Improving Link Prediction in Social Networks Using Local and Global
Features: A Clustering-based Approach
- Title（参考訳）: 局所的およびグローバル的特徴を用いたソーシャルネットワークにおけるリンク予測の改善:クラスタリングに基づくアプローチ
- Authors: Safiye Ghasemi, and Amin Zarei
- Abstract要約: 本稿では,リンク予測問題に対処するため,第1グループと第2グループを組み合わせた手法を提案する。
提案手法は,まずノードの位置と動的挙動に関連する特徴を同定する。
そして、計算された類似度尺度に基づいて、サブスペースクラスタリングアルゴリズムをグループ社会オブジェクトに適用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Link prediction problem has increasingly become prominent in many domains
such as social network analyses, bioinformatics experiments, transportation
networks, criminal investigations and so forth. A variety of techniques has
been developed for link prediction problem, categorized into 1) similarity
based approaches which study a set of features to extract similar nodes; 2)
learning based approaches which extract patterns from the input data; 3)
probabilistic statistical approaches which optimize a set of parameters to
establish a model which can best compute formation probability. However,
existing literatures lack approaches which utilize strength of each approach by
integrating them to achieve a much more productive one. To tackle the link
prediction problem, we propose an approach based on the combination of first
and second group methods; the existing studied works use just one of these
categories. Our two-phase developed method firstly determines new features
related to the position and dynamic behavior of nodes, which enforce the
approach more efficiency compared to approaches using mere measures. Then, a
subspace clustering algorithm is applied to group social objects based on the
computed similarity measures which differentiate the strength of clusters;
basically, the usage of local and global indices and the clustering information
plays an imperative role in our link prediction process. Some extensive
experiments held on real datasets including Facebook, Brightkite and HepTh
indicate good performances of our proposal method. Besides, we have
experimentally verified our approach with some previous techniques in the area
to prove the supremacy of ours.
- Abstract（参考訳）: リンク予測問題は, ソーシャルネットワーク分析, バイオインフォマティクス実験, 交通ネットワーク, 刑事捜査など多くの領域で注目されている。
リンク予測問題に対する様々な手法が開発され, 分類されている
1)類似したノードを抽出する一連の特徴を研究する類似性に基づくアプローチ
2) 入力データからパターンを抽出する学習に基づくアプローチ
3) パラメータの集合を最適化して生成確率を最適に計算できるモデルを確立する確率論的統計的アプローチ。
しかし、既存の文献には、より生産的なアプローチを実現するために、それぞれのアプローチの強みを利用するアプローチが欠けている。
リンク予測問題に対処するため,本研究では,第1グループ法と第2グループ法の組み合わせに基づくアプローチを提案する。
まず,二相法を用いてノードの位置と動的挙動に関する新たな特徴を判定し,そのアプローチを単なる尺度によるアプローチよりも効率良く実施する。
次に,クラスタの強度を区別する計算類似度尺度に基づいて,サブスペースクラスタリングアルゴリズムを適用した。基本的に,局所的および大域的指標とクラスタリング情報の利用は,リンク予測プロセスにおいて重要な役割を担っている。
facebookやbrightkite,hepthなど,実際のデータセットで行った広範な実験は,提案手法の優れた性能を示している。
さらに,この分野の先行技術を用いて,我々の優位を証明するためのアプローチを実験的に検証した。
関連論文リスト
- A Bayesian Approach to Clustering via the Proper Bayesian Bootstrap: the Bayesian Bagged Clustering (BBC) algorithm [0.0]
本稿では,クラスタリング分野における教師なし手法の新たなアプローチを提案する。
ベイジアンブートストラップを用いた既存文献モデルを改良し,ロバスト性や解釈性の観点から結果を改善する手法が提案されている。
論文 参考訳（メタデータ） (2024-09-13T16:14:54Z) - Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。
本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。
両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
論文 参考訳（メタデータ） (2024-06-12T08:30:16Z) - Detecting Evidence of Organization in groups by Trajectories [0.0]
本稿では,エージェント・トラジェクトリに基づくネットワーク構造推定のための2つの新しい手法を提案する。
新たなアプローチの有効性を評価するため,動物界における4つのシナリオシミュレーションを用いて実験を行った。
論文 参考訳（メタデータ） (2023-08-31T23:57:02Z) - Time series clustering based on prediction accuracy of global
forecasting models [0.0]
本稿では,時系列のモデルに基づくクラスタリング手法を提案する。
文献で提案されているほとんどの手法とは異なり、この手法はクラスタリング分割を構成する主要な要素として予測精度を考慮している。
シミュレーション実験により,クラスタリングの有効性と予測精度の両面で,本手法はいくつかの代替手法より優れていることが示された。
論文 参考訳（メタデータ） (2023-04-30T13:12:19Z) - An Operational Perspective to Fairness Interventions: Where and How to
Intervene [9.833760837977222]
フェアネス介入の評価と文脈化のための包括的枠組みを提案する。
予測パリティに関するケーススタディで、我々のフレームワークを実証する。
グループデータを使わずに予測パリティを実現することは困難である。
論文 参考訳（メタデータ） (2023-02-03T07:04:33Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳（メタデータ） (2022-09-27T19:04:36Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳（メタデータ） (2022-04-16T08:08:29Z) - An iterative clustering algorithm for the Contextual Stochastic Block
Model with optimality guarantees [4.007017852999008]
本稿では,ノードの側情報を持つクラスタネットワークに対して,新たな反復アルゴリズムを提案する。
このアルゴリズムは文脈対称性ブロックモデルの下で最適であることを示す。
論文 参考訳（メタデータ） (2021-12-20T12:04:07Z) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-11T03:38:16Z) - Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。
提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。
視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
論文 参考訳（メタデータ） (2020-07-15T21:58:39Z)
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。