論文の概要: Valid Bootstraps for Networks with Applications to Network Visualisation

• arxiv url: http://arxiv.org/abs/2410.20895v1
• Date: Mon, 28 Oct 2024 10:22:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:21:29.917842
• Title: Valid Bootstraps for Networks with Applications to Network Visualisation
• Title（参考訳）: ネットワークビジュアライゼーションのためのネットワーク用バリデーションブートストラップ
• Authors: Emerald Dilworth, Ed Davis, Daniel J. Lawson,
• Abstract要約: ネットワークにおける不確実性の定量化は、エンティティ間の関係と相互作用をモデル化する重要なステップである。 ネットワークの単一観測のみを行う場合、不均一なランダムグラフをブートストラップすることの難しさを考察する。 k-アネレスト近傍平滑化を用いたネットワークブートストラップを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Quantifying uncertainty in networks is an important step in modelling relationships and interactions between entities. We consider the challenge of bootstrapping an inhomogeneous random graph when only a single observation of the network is made and the underlying data generating function is unknown. We utilise an exchangeable network test that can empirically validate bootstrap samples generated by any method, by testing if the observed and bootstrapped networks are statistically distinguishable. We find that existing methods fail this test. To address this, we propose a principled, novel, distribution-free network bootstrap using k-nearest neighbour smoothing, that can regularly pass this exchangeable network test in both synthetic and real-data scenarios. We demonstrate the utility of this work in combination with the popular data visualisation method t-SNE, where uncertainty estimates from bootstrapping are used to explain whether visible structures represent real statistically sound structures.
• Abstract（参考訳）: ネットワークにおける不確実性の定量化は、エンティティ間の関係と相互作用をモデル化する重要なステップである。 ネットワークの1つの観測しか行わず、基礎となるデータ生成関数が不明な場合、不均一なランダムグラフをブートストラップすることの難しさを考察する。 我々は,任意の手法によって生成されたブートストラップサンプルを統計的に識別可能かどうかを検証し,交換可能なネットワークテストを利用する。 既存のメソッドはこのテストに失敗している。 そこで本研究では,k-nearest 近傍のスムース化を用いて,この交換可能なネットワークテストに,合成データと実データの両方のシナリオで定期的にパスできる,原理的かつ斬新なネットワークブートストラップを提案する。 本稿では,本手法と一般的なデータ可視化手法t-SNEの併用により,可視構造が実際の統計的音響構造を表すか否かを,ブートストラップによる不確実性推定を用いて説明する。

関連論文リスト

• Network two-sample test for block models [16.597465729143813]
  2組のネットワークが同じモデルに由来するかどうかを判定することを目的とするネットワークの2サンプルテスト問題を考える。 ネットワーク分布にブロックモデル(SBM)を適用するのは,その解釈可能性と,より一般的なモデルに近似する可能性からである。 推定されたネットワークパラメータにマッチする効率的なアルゴリズムを導入し、サンプル内およびサンプル間の情報を適切に組み合わせ、コントラスト化することで、強力なテストを実現する。
  論文  参考訳（メタデータ） (2024-06-10T04:28:37Z)
• Cross-Inferential Networks for Source-free Unsupervised Domain Adaptation [17.718392065388503]
  クロス推論ネットワーク (CIN) と呼ばれる新しい手法を提案する。 主な考え方は、符号化された特徴からサンプルラベルを予測するためにネットワークモデルを適用する際に、これらの予測結果を用いて、派生したラベルを用いた新しいトレーニングサンプルを構築することである。 ベンチマークデータを用いた実験の結果,提案手法により,ソースフリーなUDAの性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2023-06-29T14:04:24Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Latent Network Embedding via Adversarial Auto-encoders [15.656374849760734]
  本稿では,逆グラフ自動エンコーダに基づく潜在ネットワーク埋め込みモデルを提案する。 この枠組みの下では、潜伏構造を発見する問題は、部分的な観測から潜伏関係を推測するものとして定式化されている。
  論文  参考訳（メタデータ） (2021-09-30T16:49:46Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
  クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。 CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。 我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
  論文  参考訳（メタデータ） (2021-05-10T07:31:59Z)
• 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)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Improving Video Instance Segmentation by Light-weight Temporal Uncertainty Estimates [11.580916951856256]
  本稿では,インスタンスセグメンテーションネットワークの不確かさをモデル化するための時間動的手法を提案する。 本稿では,偽陽性の検出と予測品質の推定に本手法を適用した。 提案手法は、容易に訓練されたニューラルネットワークとビデオシーケンス入力のみを必要とする。
  論文  参考訳（メタデータ） (2020-12-14T13:39:05Z)
• Joint Inference of Diffusion and Structure in Partially Observed Social Networks Using Coupled Matrix Factorization [3.399624105745357]
  本稿では、部分的に観測されたデータからモデルを学び、観測されていない拡散と構造ネットワークを推定する。 提案手法では,ノードとカスケードプロセスの相互関係を,学習因子と低次元潜在因子を用いて利用した。 これらの合成および実世界のデータセットの実験により、提案手法は見えない社会行動を検出し、リンクを予測し、潜伏した特徴を識別することに成功した。
  論文  参考訳（メタデータ） (2020-10-03T17:48:57Z)

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。