論文の概要: Bias-Corrected Joint Spectral Embedding for Multilayer Networks with Invariant Subspace: Entrywise Eigenvector Perturbation and Inference
- arxiv url: http://arxiv.org/abs/2406.07849v1
- Date: Wed, 12 Jun 2024 03:36:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-13 18:34:46.507646
- Title: Bias-Corrected Joint Spectral Embedding for Multilayer Networks with Invariant Subspace: Entrywise Eigenvector Perturbation and Inference
- Title(参考訳): 不変部分空間を持つ多層ネットワークに対するバイアス補正型合同分光埋め込み:固有ベクトル摂動と推定
- Authors: Fangzheng Xie,
- Abstract要約: 本稿では、新しいバイアス補正型共同スペクトル埋め込みアルゴリズムを用いて、異種多重ネットワーク間の不変部分空間を推定する。
提案アルゴリズムは、閉形式バイアス式を利用して、正方形ネットワーク隣接行列の和の対角偏差を校正する。
提案アルゴリズムのエントリワイドな部分空間摂動境界を含むエントリワイドな部分空間推定理論の完全なレシピを確立する。
- 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: In this paper, we propose to estimate the invariant subspace across heterogeneous multiple networks using a novel bias-corrected joint spectral embedding algorithm. The proposed algorithm recursively calibrates the diagonal bias of the sum of squared network adjacency matrices by leveraging the closed-form bias formula and iteratively updates the subspace estimator using the most recent estimated bias. Correspondingly, we establish a complete recipe for the entrywise subspace estimation theory for the proposed algorithm, including a sharp entrywise subspace perturbation bound and the entrywise eigenvector central limit theorem. Leveraging these results, we settle two multiple network inference problems: the exact community detection in multilayer stochastic block models and the hypothesis testing of the equality of membership profiles in multilayer mixed membership models. Our proof relies on delicate leave-one-out and leave-two-out analyses that are specifically tailored to block-wise symmetric random matrices and a martingale argument that is of fundamental interest for the entrywise eigenvector central limit theorem.
- Abstract(参考訳): 本稿では,新しいバイアス補正結合スペクトル埋め込みアルゴリズムを用いて,異種多重ネットワーク間の不変部分空間を推定する。
提案アルゴリズムは,2乗ネットワーク隣接行列の和の対角偏差を閉形式偏差公式を利用して再帰的に校正し,最新の推定偏差を用いた部分空間推定器を反復的に更新する。
それに対応して,提案アルゴリズムの進数的部分空間推定理論の完全なレシピを確立し,鋭い進数的部分空間摂動境界と進数的固有ベクトル中心極限定理を含む。
これらの結果を利用して、多層確率ブロックモデルにおける正確なコミュニティ検出と、多層混合メンバーシップモデルにおけるメンバーシッププロファイルの等価性の仮説テストという、2つの多重ネットワーク推論問題を解決した。
我々の証明は、ブロックワイド対称なランダム行列に特に適合する繊細な退行解析と、エントリーワイド固有ベクトル中心極限定理の基本的な関心を持つマルティンゲール論に依拠する。
関連論文リスト
- A Unified Theory of Stochastic Proximal Point Methods without Smoothness [52.30944052987393]
近点法はその数値的安定性と不完全なチューニングに対する頑健性からかなりの関心を集めている。
本稿では,近位点法(SPPM)の幅広いバリエーションの包括的解析について述べる。
論文 参考訳(メタデータ) (2024-05-24T21:09:19Z) - Intrinsic Bayesian Cramér-Rao Bound with an Application to Covariance Matrix Estimation [49.67011673289242]
本稿では, 推定パラメータが滑らかな多様体内にある推定問題に対して, 新たな性能境界を提案する。
これはパラメータ多様体の幾何学と推定誤差測度の本質的な概念を誘導する。
論文 参考訳(メタデータ) (2023-11-08T15:17:13Z) - Privacy-Preserving Community Detection for Locally Distributed Multiple
Networks [12.948773068320218]
多層ブロックモデルにおけるコンセンサスコミュニティの検出と推定のための新しい手法を提案する。
分散スペクトルクラスタリング(ppDSC)と呼ばれる新しいアルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-06-27T08:36:13Z) - Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。
決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。
本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-11T15:20:54Z) - Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。
6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-05-21T01:47:17Z) - On observability and optimal gain design for distributed linear
filtering and prediction [6.624726878647541]
本稿では,分散線形フィルタリングと予測に対する新しいアプローチを提案する。
本稿では,コンセンサス+革新型分散推定手法に着想を得て,コンセンサスとイノベーションの概念を融合した新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-03-07T17:11:42Z) - Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。
演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文 参考訳(メタデータ) (2022-01-21T02:46:57Z) - A Hypothesis Testing Approach to Nonstationary Source Separation [15.193722258844517]
盲目および半盲目多変量観測からの非定常信号の抽出は、再発問題である。
非定常性同定のための様々な手法を概説し,仮説テストに基づく新しい汎用フレームワークを提案する。
本手法は,非侵襲性胎児心電図抽出に応用されている。
論文 参考訳(メタデータ) (2021-05-14T16:58:55Z) - Spectral clustering under degree heterogeneity: a case for the random
walk Laplacian [83.79286663107845]
本稿では,ランダムウォークラプラシアンを用いたグラフスペクトル埋め込みが,ノード次数に対して完全に補正されたベクトル表現を生成することを示す。
次数補正ブロックモデルの特別な場合、埋め込みはK個の異なる点に集中し、コミュニティを表す。
論文 参考訳(メタデータ) (2021-05-03T16:36:27Z) - A simpler spectral approach for clustering in directed networks [1.52292571922932]
隣接行列の固有値/固有ベクトル分解は、すべての一般的な方法よりも単純であることを示す。
広く使われているk平均アルゴリズムよりもガウス混合クラスタリングの方が優れていることを示す数値的な証拠を提供する。
論文 参考訳(メタデータ) (2021-02-05T14:16:45Z) - Consistency of regularized spectral clustering in degree-corrected mixed
membership model [1.0965065178451106]
正規化ラプラシア行列に基づく混合正規化スペクトルクラスタリング(Mixed-RSC,略してMixed-RSC)と呼ばれる効率的な手法を提案する。
混合RSCは、人口正規化ラプラシア行列の固有分解のための変種の理想的な錐構造に基づいて設計されている。
提案アルゴリズムは,各ノードの推定メンバシップベクトルに対する誤差境界を提供することにより,穏やかな条件下での整合性を示す。
論文 参考訳(メタデータ) (2020-11-23T02:30:53Z)
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。