論文の概要: Homophily Within and Across Groups
- arxiv url: http://arxiv.org/abs/2412.07901v1
- Date: Tue, 10 Dec 2024 20:17:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-12 14:02:38.564326
- Title: Homophily Within and Across Groups
- Title(参考訳): 群におけるホモフィリーとアクロス
- Authors: Abbas K. Rizi, Riccardo Michielan, Clara Stegehuis, Mikko Kivelä,
- Abstract要約: 局所的および大域的ホモフィリーの両方を統合する指数関数的家族モデルを提案する。
我々は、高次アソシエイト混合がネットワーク力学にどのように影響するかを示す。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Traditional social network analysis often models homophily--the tendency of similar individuals to form connections--using a single parameter, overlooking finer biases within and across groups. We present an exponential family model that integrates both local and global homophily, distinguishing between strong homophily within tightly knit cliques and weak homophily spanning broader community interactions. By modeling these forms of homophily through a maximum entropy approach and deriving the network behavior under percolation, we show how higher-order assortative mixing influences network dynamics. Our framework is useful for decomposing homophily into finer levels and studying the spread of information and diseases, influence dynamics, and innovation diffusion. We demonstrate that the interaction between different levels of homophily results in complex percolation thresholds. We tested our model on various datasets with distinct homophily patterns, showcasing its applicability. These homophilic connections significantly affect the effectiveness of intervention and mitigation strategies. Hence, our findings have important implications for improving public health measures, understanding information dissemination on social media, and optimizing intervention strategies.
- Abstract(参考訳): 伝統的な社会的ネットワーク分析は、しばしばホモフィリーをモデル化する - 類似した個人が単一のパラメータを使用し、グループ内およびグループ間のより細かいバイアスを見渡す傾向にある。
本研究では, 局所的および大域的ホモフィリーを統合し, 強いホモフィリーとより広いコミュニティ相互作用にまたがる弱いホモフィリーを区別する指数的家族モデルを提案する。
これらの形態のホモフィリーを最大エントロピーアプローチでモデル化し、パーコレーション下でのネットワーク挙動を導出することにより、高次アスソート混合がネットワーク力学にどのように影響するかを示す。
本フレームワークは, 情報・疾患の拡散, 影響力学, イノベーション拡散の研究において, ホモフィリをより微細なレベルに分解するのに有用である。
異なるレベルのホモフィリー間の相互作用が複雑なパーコレーション閾値をもたらすことを示す。
我々は,その適用性を示すために,異なるホモフィリパターンを持つ様々なデータセットでモデルを検証した。
これらのホモ親和性結合は介入と緩和戦略の有効性に大きな影響を及ぼす。
その結果, 公衆衛生対策の改善, ソーシャルメディアへの情報発信の理解, 介入戦略の最適化に重要な意味を持つことがわかった。
関連論文リスト
- Universal Inceptive GNNs by Eliminating the Smoothness-generalization Dilemma [14.493433090244078]
Inceptive Graph Neural Net-work (IGNN) を提案する。
我々のIGNNは23のベースライン法より優れており、ホモフィルグラフとヘット電子グラフの両方で優れた性能を誇示している。
論文 参考訳(メタデータ) (2024-12-13T02:44:47Z) - Dynamic Post-Hoc Neural Ensemblers [55.15643209328513]
本研究では,ニューラルネットワークをアンサンブル手法として活用することを検討する。
低多様性のアンサンブルを学習するリスクを動機として,ベースモデル予測をランダムにドロップすることでモデルの正規化を提案する。
このアプローチはアンサンブル内の多様性を低くし、オーバーフィッティングを減らし、一般化能力を向上させる。
論文 参考訳(メタデータ) (2024-10-06T15:25:39Z) - SiMilarity-Enhanced Homophily for Multi-View Heterophilous Graph Clustering [18.108753344903473]
マルチビューヘテロ親和性グラフクラスタリング(SMHGC)のためのSiMilarity-enhanced Homophilyを提案する。
多視点ヘテロ親和性データセットおよびホモ親和性データセットの最先端実験結果は、教師なし多視点ヘテロ親和性グラフ学習における類似性の強い能力を示す。
論文 参考訳(メタデータ) (2024-10-04T16:55:35Z) - GTP-4o: Modality-prompted Heterogeneous Graph Learning for Omni-modal Biomedical Representation [68.63955715643974]
Omnimodal Learning(GTP-4o)のためのモダリティプロンプト不均質グラフ
我々は、Omnimodal Learning(GTP-4o)のための革新的モダリティプロンプト不均質グラフを提案する。
論文 参考訳(メタデータ) (2024-07-08T01:06:13Z) - Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。
因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
論文 参考訳(メタデータ) (2024-06-07T14:29:21Z) - Generalizable Heterogeneous Federated Cross-Correlation and Instance
Similarity Learning [60.058083574671834]
本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。
不均一な問題に対しては、無関係な公開データを通信に活用する。
局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
論文 参考訳(メタデータ) (2023-09-28T09:32:27Z) - Contagion Effect Estimation Using Proximal Embeddings [17.483428990993744]
感染効果は、ソーシャルネットワークにおける個人の結果に対する仲間の行動の因果効果を指す。
既存のプロキシベースの感染効果推定法は、プロキシが高次元である場合、非常に高いばらつきを持つ。
本稿では,変分オートエンコーダと対向ネットワークを統合した新しいフレームワーク Proximal Embeddings (ProEmb) を提案する。
論文 参考訳(メタデータ) (2023-06-04T20:55:13Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳(メタデータ) (2022-04-16T08:08:29Z) - MoReL: Multi-omics Relational Learning [26.484803417186384]
ヘテロジニアスビューの分子間相互作用をコードする多部グラフを効率的に推定する新しいディープベイズ生成モデルを提案する。
このようなディープベイズ生成モデルにおける最適輸送正則化により、ビュー固有側情報を組み込むだけでなく、分布ベース正則化によるモデルの柔軟性も向上する。
論文 参考訳(メタデータ) (2022-03-15T02:50:07Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z)
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。