論文の概要: Symbolic Regression of Dynamic Network Models
- arxiv url: http://arxiv.org/abs/2401.05369v1
- Date: Fri, 15 Dec 2023 00:34:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 08:58:13.554461
- Title: Symbolic Regression of Dynamic Network Models
- Title（参考訳）: 動的ネットワークモデルの記号的回帰
- Authors: Govind Gandhi
- Abstract要約: ネットワーク生成器の新たな定式化とパラメータフリー適合関数を導入し、生成されたネットワークを評価する。
我々は、時間変化ネットワークのルールを作成し、検索するためにジェネレータのセマンティクスを変更することで、このアプローチを拡張した。
このフレームワークは、主要都市の地下鉄ネットワーク、ストリートネットワークの地域、人工知能における文学のセマンティック共起ネットワークの3つの経験的なデータセットで使用された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Growing interest in modelling complex systems from brains to societies to
cities using networks has led to increased efforts to describe generative
processes that explain those networks. Recent successes in machine learning
have prompted the usage of evolutionary computation, especially genetic
programming to evolve computer programs that effectively forage a
multidimensional search space to iteratively find better solutions that explain
network structure. Symbolic regression contributes to these approaches by
replicating network morphologies using both structure and processes, all while
not relying on the scientists intuition or expertise. It distinguishes itself
by introducing a novel formulation of a network generator and a parameter-free
fitness function to evaluate the generated network and is found to consistently
retrieve synthetically generated growth processes as well as simple,
interpretable rules for a range of empirical networks. We extend this approach
by modifying generator semantics to create and retrieve rules for time-varying
networks. Lexicon to study networks created dynamically in multiple stages is
introduced. The framework was improved using methods from the genetic
programming toolkit (recombination) and computational improvements (using
heuristic distance measures) and used to test the consistency and robustness of
the upgrades to the semantics using synthetically generated networks. Using
recombination was found to improve retrieval rate and fitness of the solutions.
The framework was then used on three empirical datasets - subway networks of
major cities, regions of street networks and semantic co-occurrence networks of
literature in Artificial Intelligence to illustrate the possibility of
obtaining interpretable, decentralised growth processes from complex networks.
- Abstract（参考訳）: 脳から社会へ、ネットワークを使って都市へ複雑なシステムをモデル化することへの関心が高まり、それらのネットワークを説明する生成プロセスを記述する努力が増えた。
近年の機械学習の成功により、進化的計算、特に遺伝的プログラミングが多次元探索空間を効果的に利用し、ネットワーク構造を説明するより良い解を反復的に見つけるコンピュータプログラムを進化させるきっかけとなった。
シンボリック回帰は、科学者の直観や専門知識に頼らず、構造とプロセスの両方を用いてネットワーク形態を複製することでこれらのアプローチに寄与する。
ネットワーク生成器とパラメータフリー適合関数の新規な定式化を導入して、生成したネットワークを評価し、一連の経験的ネットワークに対する単純かつ解釈可能なルールと同様に、合成的に生成された成長過程を一貫して回収する。
我々は、時間変動ネットワークのルールの作成と取得のためにジェネレータセマンティクスを変更して、このアプローチを拡張する。
複数の段階で動的に生成されたネットワークを研究するための辞書を紹介する。
このフレームワークは、遺伝的プログラミングツールキット(組換え)と計算改善(ヒューリスティック距離測定を用いた)の手法を用いて改善され、合成されたネットワークを用いてセマンティクスへのアップグレードの一貫性と堅牢性をテストするために使用された。
組換えにより, 溶液の回収率と適合性が向上した。
このフレームワークは、主要な都市の地下鉄網、ストリートネットワークの地域、人工知能における文学のセマンティック共起ネットワークという3つの経験的データセットで使われ、複雑なネットワークから解釈可能で分散化された成長プロセスを得る可能性を示した。
関連論文リスト
- Leveraging advances in machine learning for the robust classification and interpretation of networks [0.0]
シミュレーションアプローチでは、Erd"os-R'enyiやSmall-worldのような適切なネットワーク生成モデルを選択する。
我々は、解釈可能な機械学習の進歩を利用して、様々なネットワーク属性に基づいて、生成モデルによってシミュレーションされたネットワークを分類する。
論文 参考訳（メタデータ） (2024-03-20T00:24:23Z) - Riemannian Residual Neural Networks [58.925132597945634]
残余ニューラルネットワーク(ResNet)の拡張方法を示す。
ResNetは、機械学習において、有益な学習特性、優れた経験的結果、そして様々なニューラルネットワークを構築する際に容易に組み込める性質のために、ユビキタスになった。
論文 参考訳（メタデータ） (2023-10-16T02:12:32Z) - Generalization and Estimation Error Bounds for Model-based Neural
Networks [78.88759757988761]
スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。
我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
論文 参考訳（メタデータ） (2023-04-19T16:39:44Z) - Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna
Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。
本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。
シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文 参考訳（メタデータ） (2023-01-20T17:06:34Z) - Recursive Construction of Stable Assemblies of Recurrent Neural Networks [0.0]
機械学習の高度な応用には、訓練されたネットワークの組み合わせが含まれるだろう。
本稿では、非線形リカレントネットワークとニューラルODEの幅広いクラスにおける収縮特性を確立することにより、この方向への一歩を踏み出す。
結果は、リカレントネットワークと物理システムと定量化された収縮特性を組み合わせるために使用できる。
論文 参考訳（メタデータ） (2021-06-16T16:35:50Z) - 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) - Firefly Neural Architecture Descent: a General Approach for Growing
Neural Networks [50.684661759340145]
firefly neural architecture descentは、ニューラルネットワークを漸進的かつ動的に成長させるための一般的なフレームワークである。
ホタルの降下は、より広く、より深くネットワークを柔軟に成長させ、正確だがリソース効率のよいニューラルアーキテクチャを学習するために応用できることを示す。
特に、サイズは小さいが、最先端の手法で学習したネットワークよりも平均精度が高いネットワークを学習する。
論文 参考訳（メタデータ） (2021-02-17T04:47:18Z) - Learning low-rank latent mesoscale structures in networks [1.1470070927586016]
ネットワークにおける低ランクメソスケール構造を記述するための新しい手法を提案する。
いくつかの合成ネットワークモデルと経験的友情、協調、タンパク質-タンパク質相互作用(PPI)ネットワークを使用します。
破損したネットワークから直接学習する潜在モチーフのみを用いて、破損したネットワークを認知する方法を示す。
論文 参考訳（メタデータ） (2021-02-13T18:54:49Z) - 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) - Modeling Dynamic Heterogeneous Network for Link Prediction using
Hierarchical Attention with Temporal RNN [16.362525151483084]
我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。
階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。
リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
論文 参考訳（メタデータ） (2020-04-01T17:16:47Z)
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。