論文の概要: Inferring community structure in attributed hypergraphs using stochastic block models

• arxiv url: http://arxiv.org/abs/2401.00688v1
• Date: Mon, 1 Jan 2024 07:31:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 16:21:10.606287
• Title: Inferring community structure in attributed hypergraphs using stochastic block models
• Title（参考訳）: 確率的ブロックモデルを用いた帰納的ハイパーグラフのコミュニティ構造の推定
• Authors: Kazuki Nakajima, Takeaki Uno
• Abstract要約: 本研究では,ノード属性データをハイパーグラフのコミュニティ構造学習に組み込む統計フレームワークを開発した。 我々は,HyperNEOと呼ぶモデルにより,人工・経験的ハイパーグラフにおけるコミュニティ構造の学習が促進されることを実証した。 我々は,現実世界の複合システムにおける高次コミュニティ構造の調査と理解の拡大を期待する。
• 参考スコア（独自算出の注目度）: 3.335932527835653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hypergraphs are a representation of complex systems involving interactions among more than two entities and allow to investigation of higher-order structure and dynamics in real-world complex systems. Community structure is a common property observed in empirical networks in various domains. Stochastic block models have been employed to investigate community structure in networks. Node attribute data, often accompanying network data, has been found to potentially enhance the learning of community structure in dyadic networks. In this study, we develop a statistical framework that incorporates node attribute data into the learning of community structure in a hypergraph, employing a stochastic block model. We demonstrate that our model, which we refer to as HyperNEO, enhances the learning of community structure in synthetic and empirical hypergraphs when node attributes are sufficiently associated with the communities. Furthermore, we found that applying a dimensionality reduction method, UMAP, to the learned representations obtained using stochastic block models, including our model, maps nodes into a two-dimensional vector space while largely preserving community structure in empirical hypergraphs. We expect that our framework will broaden the investigation and understanding of higher-order community structure in real-world complex systems.
• Abstract（参考訳）: ハイパーグラフは、2つ以上の実体間の相互作用を含む複雑なシステムの表現であり、現実世界の複雑なシステムにおける高次構造と力学の研究を可能にする。 コミュニティ構造は、様々なドメインの経験的ネットワークで観測される共通の特性である。 確率ブロックモデルはネットワーク内のコミュニティ構造を調べるために用いられている。 ノード属性データはネットワークデータに付随することが多く、ディヤドネットワークにおけるコミュニティ構造の学習を促進する可能性がある。 本研究では,確率的ブロックモデルを用いて,ノード属性データをハイパーグラフにおけるコミュニティ構造の学習に組み込む統計的枠組みを開発した。 我々は,ノード属性がコミュニティと十分に結びついている場合に,ハイパーネオと呼ばれるモデルにより,合成および経験的ハイパーグラフにおけるコミュニティ構造の学習が促進されることを実証した。 さらに、我々のモデルを含む確率的ブロックモデルを用いて得られた学習表現に次元還元法 UMAP を適用し、ノードを2次元ベクトル空間にマッピングし、経験的ハイパーグラフのコミュニティ構造を概ね保存することを示した。 我々は,現実世界の複合システムにおける高次コミュニティ構造の調査と理解の拡大を期待する。

関連論文リスト

• Uncovering the hidden core-periphery structure in hyperbolic networks [0.0]
  双曲型ネットワークモデルは、小さな世界性、スケール自由性、高いクラスタリング係数、コミュニティ構造など、基本的で不可欠な特徴を示す。 本稿では,双曲型ネットワークモデルにおける重要な特徴であるコア周辺構造の存在について検討する。
  論文  参考訳（メタデータ） (2024-06-28T14:39:21Z)
• SE-GSL: A General and Effective Graph Structure Learning Framework through Structural Entropy Optimization [67.28453445927825]
  グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。 既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。 本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
  論文  参考訳（メタデータ） (2023-03-17T05:20:24Z)
• Bayesian Detection of Mesoscale Structures in Pathway Data on Graphs [0.0]
  メソスケール構造は 複雑なシステムの抽象化と解析の 不可欠な部分です それらは、社会的または引用ネットワークにおけるコミュニティ、企業間相互作用における役割、または輸送ネットワークにおける中核周辺構造におけるコミュニティを表現することができる。 我々は,グループ内のノードの最適分割と高次ネットワークの最適ダイナミクスを同時にモデル化するベイズ的アプローチを導出する。
  論文  参考訳（メタデータ） (2023-01-16T12:45:33Z)
• Topological Deep Learning: Going Beyond Graph Data [26.325857542512047]
  我々は、広く採用されている位相領域を含むよりリッチなデータ構造の上に構築された統一的な深層学習フレームワークを提案する。 具体的には、新しいタイプのトポロジカルドメインであるコンプレックスを導入する。 我々は、主に注意に基づくCCNNに焦点を当てた、メッセージパッシング複合ニューラルネットワーク(CCNN)のクラスを開発する。
  論文  参考訳（メタデータ） (2022-06-01T16:21:28Z)
• Multi-Scale Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition [140.18376685167857]
  スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。 MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-11-07T03:50:50Z)
• Semi-Supervised Deep Learning for Multiplex Networks [20.671777884219555]
  多重ネットワークは複雑なグラフ構造であり、エンティティの集合が複数のタイプの関係によって相互に接続される。 マルチプレックスネットワーク上の構造認識表現学習のための,新しい半教師付き手法を提案する。
  論文  参考訳（メタデータ） (2021-10-05T13:37:43Z)
• A Generative Node-attribute Network Model for Detecting Generalized Structure [6.151348127802708]
  トポロジ情報と属性情報の両方を生成できる原理モデル(GNAN)を提案する。 新しいモデルは、コミュニティ構造だけでなく、ネットワーク内の他の種類の構造も検出できる。 合成と実世界の両方のネットワークの実験は、新しいモデルが他の最先端モデルと競合していることを示している。
  論文  参考訳（メタデータ） (2021-06-05T12:07:04Z)
• 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)
• 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)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)

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。