論文の概要: Model-agnostic network inference enhancement from noisy measurements via
curriculum learning
- arxiv url: http://arxiv.org/abs/2309.02050v1
- Date: Tue, 5 Sep 2023 08:51:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 15:41:48.307424
- Title: Model-agnostic network inference enhancement from noisy measurements via
curriculum learning
- Title(参考訳): カリキュラム学習による雑音計測によるモデル依存型ネットワーク推論の強化
- Authors: Kai Wu, Yuanyuan Li, Jing Liu
- Abstract要約: ノイズは実世界の計測データにおける広汎な要素であり、ネットワーク推論モデルの性能を損なう。
本稿では,ノイズの存在下でのネットワーク推論モデルの性能向上を目的とした,エレガントで効率的なフレームワークを提案する。
提案するフレームワークは,モデルに依存しない,シームレスにモデルベースおよびモデルフリーなネットワーク推論手法に組み込むことができる。
- 参考スコア(独自算出の注目度): 14.670612989509465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Noise is a pervasive element within real-world measurement data,
significantly undermining the performance of network inference models. However,
the quest for a comprehensive enhancement framework capable of bolstering noise
resistance across a diverse array of network inference models has remained
elusive. Here, we present an elegant and efficient framework tailored to
amplify the capabilities of network inference models in the presence of noise.
Leveraging curriculum learning, we mitigate the deleterious impact of noisy
samples on network inference models. Our proposed framework is model-agnostic,
seamlessly integrable into a plethora of model-based and model-free network
inference methods. Notably, we utilize one model-based and three model-free
network inference methods as the foundation. Extensive experimentation across
various synthetic and real-world networks, encapsulating diverse nonlinear
dynamic processes, showcases substantial performance augmentation under varied
noise types, particularly thriving in scenarios enriched with clean samples.
This framework's adeptness in fortifying both model-free and model-based
network inference methodologies paves the avenue towards a comprehensive and
unified enhancement framework, encompassing the entire spectrum of network
inference models. Available Code: https://github.com/xiaoyuans/MANIE.
- Abstract(参考訳): ノイズは実世界の計測データにおける広汎な要素であり、ネットワーク推論モデルの性能を著しく損なう。
しかし、様々なネットワーク推論モデルにまたがって耐雑音性を増強できる包括的拡張フレームワークの追求は、いまだ解明されていない。
本稿では,ノイズの存在下でのネットワーク推論モデルの能力を増幅するための,エレガントで効率的なフレームワークを提案する。
カリキュラム学習を活用し,ノイズサンプルのネットワーク推論モデルへの影響を軽減した。
提案するフレームワークはモデルに依存しず,モデルベースおよびモデルフリーのネットワーク推論手法にシームレスに統合可能である。
特に,モデルベースと3つのモデルフリーネットワーク推論手法を基礎として利用する。
様々な合成および実世界のネットワークにわたる大規模な実験は、様々な非線形動的過程をカプセル化しており、様々なノイズタイプ、特にクリーンサンプルで富んだシナリオにおいて、顕著なパフォーマンス向上を示す。
モデルフリーとモデルベースの両方のネットワーク推論方法論を強化するこのフレームワークは、ネットワーク推論モデルのスペクトル全体を包含する、包括的で統一された拡張フレームワークへの道を拓いている。
コード:https://github.com/xiaoyuans/MANIE.com
関連論文リスト
- Neural Network Diffusion [50.85251415173792]
拡散モデルは画像生成やビデオ生成において顕著な成功を収めた。
本研究は拡散モデルにも適用可能であることを示す。
高性能なニューラルネットワークパラメータを生成する。
論文 参考訳(メタデータ) (2024-02-20T16:59:03Z) - ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。
提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。
提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文 参考訳(メタデータ) (2023-07-15T04:48:35Z) - Dynamic Mixed Membership Stochastic Block Model for Weighted Labeled
Networks [3.5450828190071655]
混合メンバシップブロックモデル(MMSBM)の新たなファミリーは、混合メンバシップクラスタリングを前提として静的ラベル付きネットワークをモデル化することができる。
提案手法は既存手法とは大きく異なり,より複雑なシステム - 動的ラベル付きネットワークをモデル化できることを示す。
論文 参考訳(メタデータ) (2023-04-12T15:01:03Z) - Reconciliation of Pre-trained Models and Prototypical Neural Networks in
Few-shot Named Entity Recognition [35.34238362639678]
本研究では,このようなミスマッチを経験的・理論的根拠と整合させる一線符号正規化法を提案する。
我々の研究は、数発のエンティティ認識における一般的な問題に対処するための分析的な視点も提供します。
論文 参考訳(メタデータ) (2022-11-07T02:33:45Z) - Latent Network Embedding via Adversarial Auto-encoders [15.656374849760734]
本稿では,逆グラフ自動エンコーダに基づく潜在ネットワーク埋め込みモデルを提案する。
この枠組みの下では、潜伏構造を発見する問題は、部分的な観測から潜伏関係を推測するものとして定式化されている。
論文 参考訳(メタデータ) (2021-09-30T16:49:46Z) - Network Estimation by Mixing: Adaptivity and More [2.3478438171452014]
我々は、利用可能な任意のモデルを利用して、個々のパフォーマンスを改善する混合戦略を提案する。
提案手法は計算効率が高く,チューニングがほとんどない。
提案手法は,真のモデルが個々の候補に含まれる場合のオラクル推定と同等に動作することを示す。
論文 参考訳(メタデータ) (2021-06-05T05:17:04Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳(メタデータ) (2020-12-17T15:19:29Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。
提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
論文 参考訳(メタデータ) (2020-03-23T17:55:42Z)
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。