論文の概要: A Simple and Powerful Framework for Stable Dynamic Network Embedding
- arxiv url: http://arxiv.org/abs/2311.09251v1
- Date: Tue, 14 Nov 2023 15:38:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 18:17:12.795960
- Title: A Simple and Powerful Framework for Stable Dynamic Network Embedding
- Title（参考訳）: 安定な動的ネットワーク埋め込みのためのシンプルで強力なフレームワーク
- Authors: Ed Davis, Ian Gallagher, Daniel John Lawson, Patrick Rubin-Delanchy
- Abstract要約: そこで我々は,解釈可能な動的ネットワーク埋め込みを生成するための,確立された静的ネットワーク埋め込み手法を幅広く提案する。
埋め込み次元によらず、これらの展開された手法が安定した埋め込みを生み出すという理論的保証を提供する。
また、動的ネットワーク埋め込みの品質を評価するために使用できる仮説テストフレームワークも定義する。
- 参考スコア（独自算出の注目度）: 6.171990546748666
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we address the problem of dynamic network embedding, that is,
representing the nodes of a dynamic network as evolving vectors within a
low-dimensional space. While the field of static network embedding is wide and
established, the field of dynamic network embedding is comparatively in its
infancy. We propose that a wide class of established static network embedding
methods can be used to produce interpretable and powerful dynamic network
embeddings when they are applied to the dilated unfolded adjacency matrix. We
provide a theoretical guarantee that, regardless of embedding dimension, these
unfolded methods will produce stable embeddings, meaning that nodes with
identical latent behaviour will be exchangeable, regardless of their position
in time or space. We additionally define a hypothesis testing framework which
can be used to evaluate the quality of a dynamic network embedding by testing
for planted structure in simulated networks. Using this, we demonstrate that,
even in trivial cases, unstable methods are often either conservative or encode
incorrect structure. In contrast, we demonstrate that our suite of stable
unfolded methods are not only more interpretable but also more powerful in
comparison to their unstable counterparts.
- Abstract（参考訳）: 本稿では、動的ネットワークのノードを低次元空間内で進化するベクトルとして表現する動的ネットワーク埋め込みの問題に対処する。
静的ネットワーク埋め込みの分野は広く確立されているが、動的ネットワーク埋め込みの分野は、比較的初期段階にある。
本稿では,拡張展開行列に適用した場合に,解釈可能かつ強力な動的ネットワーク埋め込みを実現するために,広く確立された静的ネットワーク埋め込み手法を提案する。
埋め込み次元にかかわらず、これらの展開されたメソッドは安定した埋め込みを生成し、つまり同じ潜在挙動を持つノードが時間や空間の位置に関わらず交換可能であることを理論的に保証する。
さらに,シミュレーションネットワークにおける植込み構造をテストすることにより,動的ネットワーク埋め込みの品質評価に使用できる仮説テストフレームワークも定義した。
これを用いて, 自明な場合であっても, 不安定な手法はしばしば保存的あるいは不正確な構造を符号化する。
対照的に,我々の安定な展開法群は,より解釈が容易なだけでなく,不安定な手法よりも強力であることを示す。
関連論文リスト
- Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳（メタデータ） (2023-10-05T21:44:18Z) - Fast inference of latent space dynamics in huge relational event
networks [0.0]
巨大イベントネットワークに対処可能な確率に基づくアルゴリズムを提案する。
本研究では,解釈可能な潜在空間に埋め込まれたネットワークコミュニティのダイナミクスを推定するための階層的戦略を提案する。
大規模ネットワークでフレームワークを実現するには、機械学習最適化の方法論を借りる。
論文 参考訳（メタデータ） (2023-03-29T15:18:56Z) - Robustness Certificates for Implicit Neural Networks: A Mixed Monotone
Contractive Approach [60.67748036747221]
暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。
入力逆流の摂動に関して、それらは不安定なままである。
本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
論文 参考訳（メタデータ） (2021-12-10T03:08:55Z) - Embedding Node Structural Role Identity Using Stress Majorization [8.485373271217606]
ネットワークにおける高次元の役割のアイデンティティを直接変換する新しい枠組みを提案する。
我々の手法は、特定の構造的類似性の定義に依存しない、柔軟である。
実験の結果,本フレームワークはノードロール表現の学習において,既存の手法よりも優れた結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-14T23:48:16Z) - DynACPD Embedding Algorithm for Prediction Tasks in Dynamic Networks [6.5361928329696335]
本稿では,動的ネットワークのテンソル表現に対する高次テンソル分解に基づく動的ネットワークに対する新しい埋め込み手法を提案する。
リンク予測タスクにおけるアルゴリズムの性能を,現在のベースライン手法の配列と比較することにより,提案手法のパワーと効率を実証する。
論文 参考訳（メタデータ） (2021-03-12T04:36:42Z) - Manifold Regularized Dynamic Network Pruning [102.24146031250034]
本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。
提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
論文 参考訳（メタデータ） (2021-03-10T03:59:03Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - A general framework for defining and optimizing robustness [74.67016173858497]
分類器の様々な種類の堅牢性を定義するための厳密でフレキシブルなフレームワークを提案する。
我々の概念は、分類器の堅牢性は正確性とは無関係な性質と考えるべきであるという仮定に基づいている。
我々は,任意の分類モデルに適用可能な,非常に一般的なロバスト性フレームワークを開発する。
論文 参考訳（メタデータ） (2020-06-19T13:24:20Z) - Link Prediction for Temporally Consistent Networks [6.981204218036187]
リンク予測は、動的ネットワークにおける次の関係を推定する。
動的に進化するネットワークを表現するための隣接行列の使用は、異種、スパース、またはネットワーク形成から解析的に学習する能力を制限する。
時間的パラメータ化ネットワークモデルとして不均一な時間進化活動を表現する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-06-06T07:28:03Z) - An algorithm for reconstruction of triangle-free linear dynamic networks
with verification of correctness [2.28438857884398]
本稿では,三角形のないネットワークのトポロジを正確に復元するか,あるいは実際のネットワークのトポロジよりもスペーサーなグラフを出力する手法を提案する。
無限のデータに限っても、真のネットワークに存在しないエッジを推測することで、任意の再構成手法が受容可能であることを証明している。
論文 参考訳（メタデータ） (2020-03-05T19:10:29Z)
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。