論文の概要: Inferring Dynamic Networks from Marginals with Iterative Proportional Fitting

• arxiv url: http://arxiv.org/abs/2402.18697v1
• Date: Wed, 28 Feb 2024 20:24:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-01 16:53:38.137276
• Title: Inferring Dynamic Networks from Marginals with Iterative Proportional Fitting
• Title（参考訳）: 繰り返し比例フィッティングによる辺縁からの動的ネットワークの推定
• Authors: Serina Chang, Frederic Koehler, Zhaonan Qu, Jure Leskovec, Johan Ugander
• Abstract要約: 実世界のデータ制約から生じる一般的なネットワーク推論問題は、その時間集約された隣接行列から動的ネットワークを推論する方法である。 本稿では,ネットワーク構造に対する最小限の変更の下でIPFの収束を保証するアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 60.915127259986306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A common network inference problem, arising from real-world data constraints, is how to infer a dynamic network from its time-aggregated adjacency matrix and time-varying marginals (i.e., row and column sums). Prior approaches to this problem have repurposed the classic iterative proportional fitting (IPF) procedure, also known as Sinkhorn's algorithm, with promising empirical results. However, the statistical foundation for using IPF has not been well understood: under what settings does IPF provide principled estimation of a dynamic network from its marginals, and how well does it estimate the network? In this work, we establish such a setting, by identifying a generative network model whose maximum likelihood estimates are recovered by IPF. Our model both reveals implicit assumptions on the use of IPF in such settings and enables new analyses, such as structure-dependent error bounds on IPF's parameter estimates. When IPF fails to converge on sparse network data, we introduce a principled algorithm that guarantees IPF converges under minimal changes to the network structure. Finally, we conduct experiments with synthetic and real-world data, which demonstrate the practical value of our theoretical and algorithmic contributions.
• Abstract（参考訳）: 実世界のデータ制約から生じる一般的なネットワーク推論問題は、時間集約の隣接行列と時間変化の限界(行と列の和)から動的ネットワークを推論する方法である。 この問題に対する以前のアプローチでは、古典的な反復比例結合 (ipf) 手順、別名シンクホーンのアルゴリズムを応用し、実証的な結果が期待できる。 しかし、ipfを使うための統計的な基礎はよく理解されていない:どの設定の下でipfは、その限界から動的ネットワークを原理的に推定し、どの程度ネットワークを見積もるのか? 本稿では,IPFによって最大推定値が復元される生成ネットワークモデルを特定することにより,そのような設定を確立する。 両モデルとも,IPF の利用に関する暗黙の仮定を明らかにし,IPF のパラメータ推定に対する構造依存誤差境界などの新たな解析を可能にする。 IPFがスパースネットワークデータに収束しない場合、ネットワーク構造への最小限の変更の下でIPFが収束することを保証するアルゴリズムを導入する。 最後に,合成データと実世界データを用いて実験を行い,理論的およびアルゴリズム的貢献の実用的価値を示す。

関連論文リスト

• Concurrent Training and Layer Pruning of Deep Neural Networks [0.0]
  トレーニングの初期段階において、ニューラルネットワークの無関係な層を特定し、排除できるアルゴリズムを提案する。 本研究では,非線形区間を切断した後にネットワークを流れる情報の流れを,非線形ネットワーク区間の周囲の残差接続を用いた構造を用いる。
  論文  参考訳（メタデータ） (2024-06-06T23:19:57Z)
• A network-constrain Weibull AFT model for biomarkers discovery [0.0]
  AFTNetはWeibullAccelerated failure time (AFT)モデルに基づくネットワーク制約サバイバル分析手法である。 本稿では,近位勾配法に基づく効率的な反復計算アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-28T11:12:53Z)
• Asymmetrically Decentralized Federated Learning [22.21977974314497]
  分散フェデレーションラーニング(DFL)が出現し、ピアツーピア(P2P)通信フレームワークでサーバを破棄する。 本稿では,非対称トポロジに基づくPush-Awareプロトコルを用いたDFedSGPSMアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-08T09:46:26Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• 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)
• SPP-CNN: An Efficient Framework for Network Robustness Prediction [13.742495880357493]
  本稿では,空間ピラミッドプール畳み込みニューラルネットワーク(SPP-CNN)のネットワークロバスト性予測のための効率的なフレームワークを開発する。 新しいフレームワークは、畳み込み層と完全に接続された層の間に空間ピラミッドプーリング層を設置し、CNNベースの予測アプローチにおける一般的なミスマッチ問題を克服する。
  論文  参考訳（メタデータ） (2023-05-13T09:09:20Z)
• SymNMF-Net for The Symmetric NMF Problem [62.44067422984995]
  我々は,Symmetric NMF問題に対するSymNMF-Netと呼ばれるニューラルネットワークを提案する。 各ブロックの推測は最適化の単一イテレーションに対応することを示す。 実世界のデータセットに関する実証的な結果は、我々のSymNMF-Netの優位性を示している。
  論文  参考訳（メタデータ） (2022-05-26T08:17:39Z)
• Physics-Guided Deep Neural Networks for Power Flow Analysis [18.761212680554863]
  本稿では,PF(Power Flow)問題を解決する物理誘導型ニューラルネットワークを提案する。 Kirchhoffの法則とシステムトポロジーの異なる粒度を再構成されたPFモデルに符号化することにより、ニューラルネットワークに基づくPFソルバは補助タスクによって正規化される。
  論文  参考訳（メタデータ） (2020-01-31T23:24:30Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)
• Neural Proximal/Trust Region Policy Optimization Attains Globally Optimal Policy [119.12515258771302]
  オーバーパラメトリゼーションを備えたPPOOの変種が,グローバルな最適ネットワークに収束することを示す。 我々の分析の鍵は、1次元の単調性の概念の下で無限勾配の反復であり、そこでは勾配はネットワークによって瞬く。
  論文  参考訳（メタデータ） (2019-06-25T03:20:04Z)

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。