論文の概要: Backward and Forward Inference in Interacting Independent-Cascade
Processes: A Scalable and Convergent Message-Passing Approach
- arxiv url: http://arxiv.org/abs/2310.19138v1
- Date: Sun, 29 Oct 2023 20:03:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 14:13:05.765361
- Title: Backward and Forward Inference in Interacting Independent-Cascade
Processes: A Scalable and Convergent Message-Passing Approach
- Title（参考訳）: 相互作用する独立カスケードプロセスにおける後方および前方推論:スケーラブルで収束的なメッセージパッシングアプローチ
- Authors: Nouman Khan, Kangle Mu, Mehrdad Moharrami, Vijay Subramanian
- Abstract要約: 本研究では,ネットワーク上に並列に分散する2つの拡散過程の過去と将来の進化を推定する問題について検討する。
ネットワークの初期状態と観測ショット$mathcalO_n$の正確な結合確率を導出する。
- 参考スコア（独自算出の注目度）: 1.1470070927586018
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the problems of estimating the past and future evolutions of two
diffusion processes that spread concurrently on a network. Specifically, given
a known network $G=(V, \overrightarrow{E})$ and a (possibly noisy) snapshot
$\mathcal{O}_n$ of its state taken at (a possibly unknown) time $W$, we wish to
determine the posterior distributions of the initial state of the network and
the infection times of its nodes. These distributions are useful in finding
source nodes of epidemics and rumors -- $\textit{backward inference}$ -- , and
estimating the spread of a fixed set of source nodes -- $\textit{forward
inference}$.
To model the interaction between the two processes, we study an extension of
the independent-cascade (IC) model where, when a node gets infected with either
process, its susceptibility to the other one changes. First, we derive the
exact joint probability of the initial state of the network and the
observation-snapshot $\mathcal{O}_n$. Then, using the machinery of
factor-graphs, factor-graph transformations, and the generalized
distributive-law, we derive a Belief-Propagation (BP) based algorithm that is
scalable to large networks and can converge on graphs of arbitrary topology (at
a likely expense in approximation accuracy).
- Abstract（参考訳）: ネットワーク上に同時に拡散する2つの拡散過程の過去と未来を推定する問題について検討する。
具体的には、既知のネットワーク$G=(V, \overrightarrow{E})$と(おそらくノイズの多い)スナップショット$\mathcal{O}_n$が(おそらく未知の)時間$W$で取得された場合、ネットワークの初期状態の後方分布とノードの感染時間を決定する。
これらのディストリビューションは、疫病や噂のソースノードを見つけるのに役立つ -- $\textit{backward inference}$ -- と、固定されたソースノードの拡散を推定する -- $\textit{forward inference}$。
2つのプロセス間の相互作用をモデル化するために,ノードがいずれのプロセスにも感染した場合,そのノードへの感受性が変化する独立カスケードモデルの拡張について検討する。
まず、ネットワークの初期状態と観測ショット $\mathcal{O}_n$ の正確な結合確率を導出する。
次に、因子グラフ、因子グラフ変換、一般化分布則の機構を用いて、大きなネットワークにスケーラブルで任意のトポロジーのグラフ上に収束可能な、信念伝達(bp)ベースのアルゴリズムを導出する(近似精度が犠牲になる可能性がある)。
関連論文リスト
- Joint Bayesian Inference of Graphical Structure and Parameters with a
Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。
サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。
パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文 参考訳（メタデータ） (2023-05-30T19:16:44Z) - Online Centralized Non-parametric Change-point Detection via Graph-based
Likelihood-ratio Estimation [77.81487285123147]
グラフの各ノードを、ほぼリアルタイムで同期して観測されるデータストリームを生成するようにします。
変更ポイント$tau$では、変更はノードのサブセット$C$で発生し、関連するノードストリームの確率分布に影響を与える。
本稿では,ポストチェンジとノードストリームの事前変更分布の確率比の直接推定に基づいて,$tau$を検出して$C$をローカライズするカーネルベースの新しい手法を提案する。
論文 参考訳（メタデータ） (2023-01-08T10:15:24Z) - Generative Adversarial Learning of Sinkhorn Algorithm Initializations [0.0]
我々は、エントロピーOT双対問題を通じてアルゴリズムの初期化を学ぶためにニューラルネットワークを巧みに訓練することで、収束を著しく加速できることを示した。
我々のネットワークは,正規化輸送距離を数パーセントの誤差に近似するために,スタンドアロンのOTソルバとしても使用できることを示す。
論文 参考訳（メタデータ） (2022-11-30T21:56:09Z) - On the Effective Number of Linear Regions in Shallow Univariate ReLU
Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。
我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
論文 参考訳（メタデータ） (2022-05-18T16:57:10Z) - Distributed gradient-based optimization in the presence of dependent
aperiodic communication [4.34720256795424]
反復分散最適化アルゴリズムは、グローバルな目的を最小化/最大化するために、時間とともに相互に通信する複数のエージェントを含む。
信頼できない通信網の存在下では、受信したデータの鮮度を測定するAOI( Age-of-Information)は、大きくなり、アルゴリズムの収束を妨げる可能性がある。
AoIプロセスに付随する確率変数が有限な第一モーメントを持つ確率変数に支配されている場合、収束が保証されることを示す。
論文 参考訳（メタデータ） (2022-01-27T06:44:04Z) - Acceleration in Distributed Optimization Under Similarity [72.54787082152278]
集中ノードを持たないエージェントネットワーク上での分散(強い凸)最適化問題について検討する。
$varepsilon$-solutionは$tildemathcalrhoObig(sqrtfracbeta/mu (1-)log1/varepsilonbig)$通信ステップ数で達成される。
この速度は、関心のクラスに適用される分散ゴシップ-アルゴリズムの、初めて(ポリログ因子まで)より低い複雑性の通信境界と一致する。
論文 参考訳（メタデータ） (2021-10-24T04:03:00Z) - Reconsidering Dependency Networks from an Information Geometry
Perspective [2.6778110563115542]
依存ネットワークは、多数の変数を含むシステムの潜在的な確率的グラフィカルモデルである。
依存ネットワークの構造は有向グラフで表され、各ノードは条件付き確率テーブルを持つ。
従属ネットワークとベイズネットワークは,学習した分布の精度においてほぼ同じ性能を示すことを示す。
論文 参考訳（メタデータ） (2021-07-02T07:05:11Z) - Probabilistic bounds on neuron death in deep rectifier networks [6.167486561517023]
神経細胞死は、モデルの訓練可能性に影響を及ぼす複雑な現象である。
本研究では、ReLUネットワークがトレーニング可能な点に到達する確率に基づいて、上界と下界の両方を導出する。
幅が大きくなる限り,ネットワークの深さを無限に増加させることができることを示す。
論文 参考訳（メタデータ） (2020-07-13T05:15:04Z) - Neural Enhanced Belief Propagation on Factor Graphs [85.61562052281688]
グラフィカルモデルは局所依存確率変数の構造的表現である。
最初にグラフニューラルネットワークを拡張してグラフを分解する(FG-GNN)。
そこで我々は,FG-GNNを連立して動作させるハイブリッドモデルを提案する。
論文 参考訳（メタデータ） (2020-03-04T11:03:07Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。