論文の概要: Core-Intermediate-Peripheral Index: Factor Analysis of Neighborhood and
Shortest Paths-based Centrality Metrics
- arxiv url: http://arxiv.org/abs/2310.06358v1
- Date: Tue, 10 Oct 2023 06:52:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 01:58:39.962210
- Title: Core-Intermediate-Peripheral Index: Factor Analysis of Neighborhood and
Shortest Paths-based Centrality Metrics
- Title（参考訳）: コア中間周辺指数:近隣と最短経路に基づく中央値の因子分析
- Authors: Natarajan Meghanathan
- Abstract要約: 本稿では,コアノードがコアノードの役割を担える範囲を捉えるために,コア中間周辺指数(CIP)と呼ばれる新しい指標を提案する。
当社のアプローチは、12の複雑な現実世界ネットワークの多様なスイートでテストしています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We perform factor analysis on the raw data of the four major neighborhood and
shortest paths-based centrality metrics (Degree, Eigenvector, Betweeenness and
Closeness) and propose a novel quantitative measure called the
Core-Intermediate-Peripheral (CIP) Index to capture the extent with which a
node could play the role of a core node (nodes at the center of a network with
larger values for any centrality metric) vis-a-vis a peripheral node (nodes
that exist at the periphery of a network with lower values for any centrality
metric). We conduct factor analysis (varimax-based rotation of the
Eigenvectors) on the transpose matrix of the raw centrality metrics dataset,
with the node ids as features, under the hypothesis that there are two factors
(core and peripheral) that drive the values incurred by the nodes with respect
to the centrality metrics. We test our approach on a diverse suite of 12
complex real-world networks.
- Abstract（参考訳）: We perform factor analysis on the raw data of the four major neighborhood and shortest paths-based centrality metrics (Degree, Eigenvector, Betweeenness and Closeness) and propose a novel quantitative measure called the Core-Intermediate-Peripheral (CIP) Index to capture the extent with which a node could play the role of a core node (nodes at the center of a network with larger values for any centrality metric) vis-a-vis a peripheral node (nodes that exist at the periphery of a network with lower values for any centrality metric).
我々は,ノードidを特徴として,原集中度メトリクスデータセットの転置行列上での因子分析(固有ベクトルの変動に基づく回転)を行い,中心度メトリクスに対してノードが負う値を動かす2つの要因(コアと周辺)が存在することを仮定した。
当社のアプローチは、12の複雑な現実世界ネットワークの多様なスイートでテストしています。
関連論文リスト
- Lidar Panoptic Segmentation and Tracking without Bells and Whistles [48.078270195629415]
ライダーセグメンテーションと追跡のための検出中心ネットワークを提案する。
私たちのネットワークのコアコンポーネントの1つは、オブジェクトインスタンス検出ブランチです。
提案手法を複数の3D/4D LPSベンチマークで評価し,我々のモデルがオープンソースモデル間で新たな最先端性を確立することを確認した。
論文 参考訳（メタデータ） (2023-10-19T04:44:43Z) - Provable Data Subset Selection For Efficient Neural Network Training [73.34254513162898]
本稿では,任意の放射基底関数ネットワーク上での入力データの損失を近似する,emphRBFNNのコアセットを構成するアルゴリズムについて紹介する。
次に、一般的なネットワークアーキテクチャやデータセット上で、関数近似とデータセットサブセットの選択に関する経験的評価を行う。
論文 参考訳（メタデータ） (2023-03-09T10:08:34Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳（メタデータ） (2022-10-14T12:35:32Z) - CenterNet++ for Object Detection [174.59360147041673]
ボトムアップアプローチはトップダウンと同じくらい競争力があり、リコールも高くなります。
CenterNetと呼ばれる我々のアプローチは、各オブジェクトを三重項キーポイント(左上と右下)として検出する。
MS-COCOデータセットでは、Res2Net-101 と Swin-Transformer の CenterNet がそれぞれ 53.7% と 57.1% のAPを達成している。
論文 参考訳（メタデータ） (2022-04-18T16:45:53Z) - A Modular Framework for Centrality and Clustering in Complex Networks [0.6423239719448168]
本稿では,集中度とクラスタリングという2つの重要なネットワーク解析手法について検討する。
クラスタリングには情報フローベースのモデルが採用されている。
我々のクラスタリングは、エッジウェイトとノードの度合いの異なる解釈と相互作用と同様に、エッジ指向性に対応する柔軟性を自然に継承する。
論文 参考訳（メタデータ） (2021-11-23T03:01:29Z) - Identifying Influential Nodes in Two-mode Data Networks using Formal
Concept Analysis [0.0]
Bi-face (BF) は、2モードネットワークにおける重要なノードを特定するための新しい二部集中度測定である。
オフ・ザ・シェルフ中心性指数とは違って、あるノードが隣り合うノードに粘着的サブ構造がどう影響するかを双斜線で定量化する。
いくつかの実世界および合成ネットワークに関する実験は、既存の顕著な二分極集中度よりもBFの効率が良いことを示す。
論文 参考訳（メタデータ） (2021-09-07T23:57:05Z) - Reasoning Graph Networks for Kinship Verification: from Star-shaped to
Hierarchical [85.0376670244522]
階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。
より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。
また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
論文 参考訳（メタデータ） (2021-09-06T03:16:56Z) - A QUBO formulation for top-$\tau$ eigencentrality nodes [0.0]
本稿では,ネットワークの固有ベクトルから得られるスコアでネットワークのノードの重要度をランク付けする,固有分散性問題の解決の基礎を定めている。
この問題は、量子アーキテクチャの両方で解ける2次非制約バイナリ最適化(QUBO)として再構成される。
その結果、D-Wave と IBM の量子コンピュータ上でのネットワーク内の最高固有中央性ノードを最大$tau$で識別する問題のQUBO定式化のスパースベクトル解によって与えられる多数のネットワークにおいて、与えられた最も重要なノードの数を正確に特定することに焦点を当てた。
論文 参考訳（メタデータ） (2021-05-01T05:35:44Z) - Spectral Embedding of Graph Networks [76.27138343125985]
ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。
埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
論文 参考訳（メタデータ） (2020-09-30T04:59:10Z) - Top influencers can be identified universally by combining classical
centralities [0.6853165736531939]
単一の中央集権が常に優れた地位を持つことはない。
特定の中央のペアは、特に統計学的にトップスプレッドラーと他のスプレッドラーの境界を描くのによく協力する。
スーパースレッダとして選択されたノードは通常、両方の中央値の最大化を共同で行う。
論文 参考訳（メタデータ） (2020-06-13T15:12:28Z) - Softmax-based Classification is k-means Clustering: Formal Proof,
Consequences for Adversarial Attacks, and Improvement through Centroid Based
Tailoring [3.0724051098062097]
我々は,k平均クラスタリングと,ソフトマックスアクティベーション層に基づくニューラルネットワークの予測の関連性を証明する。
ニューラルネットワークの最後の層におけるソフトマックス関数の代替として,Centroid Based Tailoringを提案する。
論文 参考訳（メタデータ） (2020-01-07T11:47:45Z)
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。