論文の概要: LayerPlexRank: Exploring Node Centrality and Layer Influence through Algebraic Connectivity in Multiplex Networks
- arxiv url: http://arxiv.org/abs/2405.05576v1
- Date: Thu, 09 May 2024 06:52:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-11 00:58:54.996799
- Title: LayerPlexRank: Exploring Node Centrality and Layer Influence through Algebraic Connectivity in Multiplex Networks
- Title（参考訳）: LayerPlexRank:多重ネットワークにおける代数的接続性によるノード中心性と層の影響を探る
- Authors: Hao Ren, Jiaojiao Jiang,
- Abstract要約: 本稿では,マルチプレックスネットワークにおけるノードの集中度と層の影響を同時に評価するアルゴリズムであるLayerPlexRankを紹介する。
本稿では,LayerPlexRankの実用性について,様々な実世界のデータセットに対する理論的解析と実証的検証により検証する。
- 参考スコア（独自算出の注目度）: 4.130399938456945
- License:
- Abstract: As the calculation of centrality in complex networks becomes increasingly vital across technological, biological, and social systems, precise and scalable ranking methods are essential for understanding these networks. This paper introduces LayerPlexRank, an algorithm that simultaneously assesses node centrality and layer influence in multiplex networks using algebraic connectivity metrics. This method enhances the robustness of the ranking algorithm by effectively assessing structural changes across layers using random walk, considering the overall connectivity of the graph. We substantiate the utility of LayerPlexRank with theoretical analyses and empirical validations on varied real-world datasets, contrasting it with established centrality measures.
- Abstract（参考訳）: 複雑なネットワークにおける集中度の計算が、技術、生物学的、社会システムにおいてますます重要になっているため、これらのネットワークを理解する上では、正確でスケーラブルなランキング法が不可欠である。
本稿では,代数的接続メトリクスを用いた多重ネットワークにおけるノードの集中度と層の影響を同時に評価するアルゴリズムであるLayerPlexRankを紹介する。
本手法は,グラフ全体の接続性を考慮して,ランダムウォークを用いて階層間構造変化を効果的に評価することにより,ランキングアルゴリズムの堅牢性を高める。
我々は、LayerPlexRankの実用性を、様々な実世界のデータセットに関する理論的分析と実証的検証で実証し、確立された集中度尺度と対比する。
関連論文リスト
- Network Alignment with Transferable Graph Autoencoders [79.89704126746204]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。
生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。
提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - Rank Diminishing in Deep Neural Networks [71.03777954670323]
ニューラルネットワークのランクは、層をまたがる情報を測定する。
これは機械学習の幅広い領域にまたがる重要な構造条件の例である。
しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
論文 参考訳（メタデータ） (2022-06-13T12:03:32Z) - Decomposing neural networks as mappings of correlation functions [57.52754806616669]
本研究では,ディープフィードフォワードネットワークによって実装された確率分布のマッピングについて検討する。
ニューラルネットワークで使用できる異なる情報表現と同様に、データに不可欠な統計を識別する。
論文 参考訳（メタデータ） (2022-02-10T09:30:31Z) - Fast Topological Clustering with Wasserstein Distance [0.0]
本稿では,複雑なネットワークを複雑なトポロジでクラスタリングする,新しい,実用的なトポロジクラスタリング手法を提案する。
このようなネットワークは、そのトポロジカル構造と幾何学的構造の両方に基づいて、セントロイドベースのクラスタリング戦略によってクラスタに集約される。
提案手法は,シミュレーションネットワークと機能的脳ネットワークの両方を用いて有効であることを示した。
論文 参考訳（メタデータ） (2021-11-30T21:02:53Z) - A Modular Framework for Centrality and Clustering in Complex Networks [0.6423239719448168]
本稿では,集中度とクラスタリングという2つの重要なネットワーク解析手法について検討する。
クラスタリングには情報フローベースのモデルが採用されている。
我々のクラスタリングは、エッジウェイトとノードの度合いの異なる解釈と相互作用と同様に、エッジ指向性に対応する柔軟性を自然に継承する。
論文 参考訳（メタデータ） (2021-11-23T03:01:29Z) - Subspace Clustering Based Analysis of Neural Networks [7.451579925406617]
入力セット上でトレーニングされたニューラルネットワーク層の潜在構造から親和性グラフを学習する。
次に、コミュニティ検出のツールを使用して、入力に存在する構造を定量化します。
ネットワークの最終畳み込み層の学習親和性グラフを解析し、入力の局所的近傍がネットワークによる分類にどのように影響するかを示す。
論文 参考訳（メタデータ） (2021-07-02T22:46:40Z) - Learning Structures for Deep Neural Networks [99.8331363309895]
我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。
スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。
公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
論文 参考訳（メタデータ） (2021-05-27T12:27:24Z) - Hierarchical Graph Neural Networks [0.0]
本稿では,従来のニューラルネットワークとグラフニューラルネットワークアーキテクチャの点を結びつけることを目的とする。
従来の入力ネットワーク層を補助ネットワーク層の階層構造で補完する階層型グラフニューラルネットワークアーキテクチャを提案する。
これにより、個々のノードの特徴と集約されたネットワークの特徴を可変解像度で同時学習し、個々のノードの特徴学習の収束と安定性を改善することができる。
論文 参考訳（メタデータ） (2021-05-07T16:47:18Z) - Classical and quantum random-walk centrality measures in multilayer
networks [0.0]
ノードとノード層の重要性を分類することは、多層ネットワークの研究において重要な側面である。
様々な構造的特徴に応じてノードとノード層をランク付けできるような、様々な集中度尺度を計算することは一般的である。
我々は,本フレームワークを様々な合成および実世界の多層ネットワークに適用し,古典的および量子的中心性尺度の顕著な差異を同定する。
論文 参考訳（メタデータ） (2020-12-13T21:23:29Z) - 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) - 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)
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。