論文の概要: DANI: Fast Diffusion Aware Network Inference with Preserving Topological Structure Property

• arxiv url: http://arxiv.org/abs/2310.01696v1
• Date: Mon, 2 Oct 2023 23:23:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 18:15:52.079662
• Title: DANI: Fast Diffusion Aware Network Inference with Preserving Topological Structure Property
• Title（参考訳）: dani: トポロジカル構造を保存した高速拡散認識ネットワーク推論
• Authors: Maryam Ramezani, Aryan Ahadinia, Erfan Farhadi, Hamid R. Rabiee
• Abstract要約: そこで我々は,DANIと呼ばれる新しい手法を提案し,その構造特性を保ちながら基礎となるネットワークを推定する。 DANIは、モジュール構造、次数分布、連結成分、密度、クラスタリング係数を含む構造特性を維持しながら、より高い精度と低い実行時間を有する。
• 参考スコア（独自算出の注目度）: 2.8948274245812327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The fast growth of social networks and their data access limitations in recent years has led to increasing difficulty in obtaining the complete topology of these networks. However, diffusion information over these networks is available, and many algorithms have been proposed to infer the underlying networks using this information. The previously proposed algorithms only focus on inferring more links and ignore preserving the critical topological characteristics of the underlying social networks. In this paper, we propose a novel method called DANI to infer the underlying network while preserving its structural properties. It is based on the Markov transition matrix derived from time series cascades, as well as the node-node similarity that can be observed in the cascade behavior from a structural point of view. In addition, the presented method has linear time complexity (increases linearly with the number of nodes, number of cascades, and square of the average length of cascades), and its distributed version in the MapReduce framework is also scalable. We applied the proposed approach to both real and synthetic networks. The experimental results showed that DANI has higher accuracy and lower run time while maintaining structural properties, including modular structure, degree distribution, connected components, density, and clustering coefficients, than well-known network inference methods.
• Abstract（参考訳）: 近年のソーシャルネットワークの急速な成長とデータアクセス制限により、これらのネットワークの完全なトポロジを得るのが困難になっている。 しかし、これらのネットワーク上での拡散情報は利用可能であり、この情報を用いて基盤となるネットワークを推定するための多くのアルゴリズムが提案されている。 前述したアルゴリズムは、より多くのリンクを推測し、基礎となるソーシャルネットワークの重要なトポロジー特性を無視することだけに焦点を当てている。 本稿では,DANIと呼ばれる新しい手法を提案し,その構造特性を保ちながら基礎となるネットワークを推定する。 これは、時系列カスケードに由来するマルコフ遷移行列と、構造的な観点からカスケードの挙動で観測できるノード-ノード類似性に基づいている。 さらに、提案手法は線形時間複雑性(ノード数、カスケード数、カスケードの平均長さの2乗に線形に増加する)を持ち、mapreduceフレームワークにおける分散バージョンもスケーラブルである。 提案手法を実ネットワークと合成ネットワークの両方に適用した。 実験の結果,DANIはよく知られたネットワーク推定法よりも,モジュール構造,次数分布,連結成分,密度,クラスタリング係数などの構造特性を維持しつつ,精度が高く,実行時間も低いことがわかった。

関連論文リスト

• Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
  本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。 本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。 MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
  論文  参考訳（メタデータ） (2024-02-04T08:57:42Z)
• Learning Persistent Community Structures in Dynamic Networks via Topological Data Analysis [2.615648035076649]
  本稿では,コミュニティ間構造における時間的一貫性の整合性を考慮した新しいディープグラフクラスタリングフレームワークを提案する。 MFCは、ノード埋め込みを保存する行列分解に基づくディープグラフクラスタリングアルゴリズムである。 TopoRegは、時間間隔でコミュニティ間構造間のトポロジカルな類似性を維持するために導入された。
  論文  参考訳（メタデータ） (2024-01-06T11:29:19Z)
• DyCSC: Modeling the Evolutionary Process of Dynamic Networks Based on Cluster Structure [1.005130974691351]
  動的クラスタ構造制約モデル(DyCSC)と呼ばれる新しい時間ネットワーク埋め込み手法を提案する。 DyCSCは、ネットワーク内のノードの傾向に時間的制約を課すことで、時間的ネットワークの進化を捉えている。 複数の時間リンク予測タスクにおいて、競合する手法をかなりのマージンで一貫して上回る。
  論文  参考訳（メタデータ） (2022-10-23T10:23:08Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Predicting Critical Nodes in Temporal Networks by Dynamic Graph Convolutional Networks [1.213512753726579]
  ネットワーク構造が時間とともに変化するため、クリティカルノードを特定することは困難である。 本稿では,特殊なGCNとRNNを組み合わせた,新しい効果的な学習フレームワークを提案する。 4つの実世界の時間ネットワークに対する実験結果から,提案手法は従来のベンチマーク法とディープラーニングベンチマーク法の両方より優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-19T04:16:18Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
  本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。 また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
  論文  参考訳（メタデータ） (2020-09-15T00:16:12Z)
• 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)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• TempNodeEmb:Temporal Node Embedding considering temporal edge influence matrix [0.8941624592392746]
  時間的ネットワークにおけるノード間の将来のリンクを予測することは、時間的ネットワークの進化の重要な側面を明らかにする。 いくつかのアプローチは、時間ネットワークの単純化された表現を、高次元で一般にスパース行列で考える。 本稿では, 単純な3層グラフニューラルネットワークを各ステップで考慮し, ネットワークの進化特性を利用した新しいノード埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2020-08-16T15:39:07Z)
• 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)

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。