論文の概要: Uncovering the hidden core-periphery structure in hyperbolic networks

• arxiv url: http://arxiv.org/abs/2406.19953v1
• Date: Fri, 28 Jun 2024 14:39:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 16:40:26.062407
• Title: Uncovering the hidden core-periphery structure in hyperbolic networks
• Title（参考訳）: 双曲型ネットワークにおける隠れたコア周辺構造を明らかにする
• Authors: Imran Ansari, Pawanesh Yadav, Niteesh Sahni,
• Abstract要約: 双曲型ネットワークモデルは、小さな世界性、スケール自由性、高いクラスタリング係数、コミュニティ構造など、基本的で不可欠な特徴を示す。 本稿では,双曲型ネットワークモデルにおける重要な特徴であるコア周辺構造の存在について検討する。
• 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: The hyperbolic network models exhibit very fundamental and essential features, like small-worldness, scale-freeness, high-clustering coefficient, and community structure. In this paper, we comprehensively explore the presence of an important feature, the core-periphery structure, in the hyperbolic network models, which is often exhibited by real-world networks. We focused on well-known hyperbolic models such as popularity-similarity optimization model (PSO) and S1/H2 models and studied core-periphery structures using a well-established method that is based on standard random walk Markov chain model. The observed core-periphery centralization values indicate that the core-periphery structure can be very pronounced under certain conditions. We also validate our findings by statistically testing for the significance of the observed core-periphery structure in the network geometry. This study extends network science and reveals core-periphery insights applicable to various domains, enhancing network performance and resiliency in transportation and information systems.
• Abstract（参考訳）: 双曲型ネットワークモデルは、小さな世界性、スケール自由性、高いクラスタリング係数、コミュニティ構造など、非常に基本的な特徴を示す。 本稿では,実世界のネットワークでよく見られるハイパーボリックネットワークモデルにおいて,重要な特徴であるコア周辺構造の存在を包括的に検討する。 我々は、人気相似最適化モデル(PSO)やS1/H2モデルなどのよく知られた双曲モデルに注目し、標準的なランダムウォークマルコフ連鎖モデルに基づく確立された手法を用いて、コア周辺構造を研究した。 観測されたコア-周辺集中化値は、コア-周辺構造が特定の条件下で非常に顕著であることを示す。 また,ネットワーク幾何学における観測コア周辺構造の重要性を統計的に検証し,その妥当性を検証した。 本研究は、ネットワーク科学を拡張し、様々な分野に適用可能な中核的周辺的洞察を明らかにし、交通・情報システムにおけるネットワーク性能とレジリエンスを高める。

関連論文リスト

• Isomorphic Pruning for Vision Models [56.286064975443026]
  構造化プルーニングは、冗長なサブ構造を取り除くことによって、ディープニューラルネットワークの計算オーバーヘッドを低減する。 Isomorphic Pruningは、ネットワークアーキテクチャの範囲で有効性を示すシンプルなアプローチである。
  論文  参考訳（メタデータ） (2024-07-05T16:14:53Z)
• Inferring community structure in attributed hypergraphs using stochastic block models [3.335932527835653]
  本研究では,ノード属性データをハイパーグラフのコミュニティ構造学習に組み込む統計フレームワークを開発した。 我々は,HyperNEOと呼ぶモデルにより,人工・経験的ハイパーグラフにおけるコミュニティ構造の学習が促進されることを実証した。 我々は,現実世界の複合システムにおける高次コミュニティ構造の調査と理解の拡大を期待する。
  論文  参考訳（メタデータ） (2024-01-01T07:31:32Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Bayesian Detection of Mesoscale Structures in Pathway Data on Graphs [0.0]
  メソスケール構造は 複雑なシステムの抽象化と解析の 不可欠な部分です それらは、社会的または引用ネットワークにおけるコミュニティ、企業間相互作用における役割、または輸送ネットワークにおける中核周辺構造におけるコミュニティを表現することができる。 我々は,グループ内のノードの最適分割と高次ネットワークの最適ダイナミクスを同時にモデル化するベイズ的アプローチを導出する。
  論文  参考訳（メタデータ） (2023-01-16T12:45:33Z)
• 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)
• 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)
• Informative core identification in complex networks [2.3478438171452014]
  ネットワーク分析では、モデリング対象のコア構造は通常、ほとんどの構造が情報的でない大きなネットワークに隠されている。 本論文では,情報コア構造に特定の形式を課すことなく,ネットワークにおける非情報的周縁構造のための新しいコア周縁モデルを提案する。
  論文  参考訳（メタデータ） (2021-01-16T07:19:21Z)
• Probabilistic Graph Attention Network with Conditional Kernels for Pixel-Wise Prediction [158.88345945211185]
  本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。 構造化されたマルチスケール機能学習と融合。 本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2021-01-08T04:14:29Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Hyperbolic Neural Networks++ [66.16106727715061]
  ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。 実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
  論文  参考訳（メタデータ） (2020-06-15T08:23:20Z)
• A Clarified Typology of Core-Periphery Structure in Networks [0.09208007322096533]
  コア周辺構造(英語版)は、ネットワークを密度の高いコアと疎い周辺に配置し、様々な社会的、生物学的、技術的ネットワークの汎用的な記述子である。 異なるコア周辺アルゴリズムは、コア周辺構造の一貫性のない記述が得られるにもかかわらず、しばしば適用される。
  論文  参考訳（メタデータ） (2020-05-20T16:57:01Z)

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。