論文の概要: Signed Diverse Multiplex Networks: Clustering and Inference
- arxiv url: http://arxiv.org/abs/2402.10242v1
- Date: Wed, 14 Feb 2024 19:37:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 18:58:19.699781
- Title: Signed Diverse Multiplex Networks: Clustering and Inference
- Title(参考訳): 符号付き逆多重ネットワーク:クラスタリングと推論
- Authors: Marianna Pensky
- Abstract要約: 設定は多重バージョンに拡張され、すべてのレイヤが同じノードのコレクションを持ち、SGRDPGに従う。
まず,ネットワーク構築過程におけるエッジの符号の保持が,推定とクラスタリングの精度の向上につながることを示す。
第二に、新しいアルゴリズムを用いることで、より単純な多重化ネットワークモデルで達成された同等または優れた精度が保証される。
- 参考スコア(独自算出の注目度): 4.070200285321219
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The paper introduces a Signed Generalized Random Dot Product Graph (SGRDPG)
model, which is a variant of the Generalized Random Dot Product Graph (GRDPG),
where, in addition, edges can be positive or negative. The setting is extended
to a multiplex version, where all layers have the same collection of nodes and
follow the SGRDPG. The only common feature of the layers of the network is that
they can be partitioned into groups with common subspace structures, while
otherwise all matrices of connection probabilities can be all different. The
setting above is extremely flexible and includes a variety of existing
multiplex network models as its particular cases. The paper fulfills two
objectives. First, it shows that keeping signs of the edges in the process of
network construction leads to a better precision of estimation and clustering
and, hence, is beneficial for tackling real world problems such as analysis of
brain networks. Second, by employing novel algorithms, our paper ensures
equivalent or superior accuracy than has been achieved in simpler multiplex
network models. In addition to theoretical guarantees, both of those features
are demonstrated using numerical simulations and a real data example.
- Abstract(参考訳): 本稿では, 一般ランダムドット製品グラフ (GRDPG) の変種である Signed Generalized Random Dot Product Graph (SGRDPG) モデルを紹介する。
設定は多重バージョンに拡張され、すべてのレイヤが同じノードのコレクションを持ち、SGRDPGに従う。
ネットワークのレイヤーの唯一の共通な特徴は、それらが共通の部分空間構造を持つ群に分割することができることであるが、そうでなければ接続確率のすべての行列は全て異なることができる。
上記の設定は非常に柔軟で、特定のケースとして様々な既存の多重ネットワークモデルを含んでいる。
その論文は2つの目的を果たす。
第一に,ネットワーク構築過程においてエッジの兆候を維持することが,推定とクラスタリングの精度向上につながり,その結果,脳ネットワークの分析などの現実世界の問題に取り組む上で有用であることを示す。
第二に、新しいアルゴリズムを用いることで、より単純な多重化ネットワークモデルで達成された同等または優れた精度を保証する。
理論的な保証に加えて、これらの特徴は数値シミュレーションと実データ例を用いて示される。
関連論文リスト
- Discrete Graph Auto-Encoder [52.50288418639075]
離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。
まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。
2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
論文 参考訳(メタデータ) (2023-06-13T12:40:39Z) - A Robust Stacking Framework for Training Deep Graph Models with
Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。
IID(non-graph)データをGNNに簡単に組み込むことはできない。
本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-16T22:46:33Z) - 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) - Multiplex Bipartite Network Embedding using Dual Hypergraph
Convolutional Networks [16.62391694987056]
非監視のデュアルグラフ畳み込みネットワーク(DualHGCN)モデルを開発し、マルチプレックスバイパートネットワークを2組の均質ハイパーグラフに変換します。
リンク予測とノード分類タスクの4つの実世界のデータセットを用いてDualHGCNをベンチマークする。
論文 参考訳(メタデータ) (2021-02-12T07:20:36Z) - Latent space models for multiplex networks with shared structure [3.602377086789099]
共有ノード上で観測される多重ネットワークのための新しい潜在空間モデルを提案する。
我々のモデルは、どれだけのネットワーク構造が層間で共有されているかのデータから学び、層間で情報をプールする。
シミュレーションネットワークやマルチプレックスネットワークにおいて,農作物の世界的な取引を記述したモデルと競合する手法を比較した。
論文 参考訳(メタデータ) (2020-12-28T18:42:19Z) - Global and Individualized Community Detection in Inhomogeneous
Multilayer Networks [14.191073951237772]
ネットワークアプリケーションでは、同じ主題の集合上で観測される複数のネットワークの形でデータセットを取得することがますます一般的になっている。
このようなデータセットは、各レイヤが別々のネットワーク自身であるマルチレイヤネットワークによってモデル化され、異なるレイヤが関連付けられ、共通の情報を共有することができる。
本稿では,非均質な多層ネットワークモデルを用いたスタイリングによるコミュニティ検出について検討する。
論文 参考訳(メタデータ) (2020-12-02T02:42:52Z) - 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) - Multi-Level Local SGD for Heterogeneous Hierarchical Networks [11.699472346137739]
異種ネットワークにおける学習・非目的フレームワークのための分散勾配法であるマルチレベルローカルSGDを提案する。
まず,マルチレベル局所SGDアルゴリズムを記述する統一数学的手法を提案する。
次に,アルゴリズムの理論的解析を行う。
論文 参考訳(メタデータ) (2020-07-27T19:14:23Z) - A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network
Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。
具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。
提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文 参考訳(メタデータ) (2020-07-19T22:50:20Z) - Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。
提案するフレームワークは容易に異種ネットワークに拡張できる。
論文 参考訳(メタデータ) (2020-06-07T19:26:20Z) - Consistency of Spectral Clustering on Hierarchical Stochastic Block
Models [5.983753938303726]
実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。
本手法の強い一貫性を,幅広いモデルパラメータで証明する。
既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
論文 参考訳(メタデータ) (2020-04-30T01:08:59Z)
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。