論文の概要: Homophily Within and Across Groups

• arxiv url: http://arxiv.org/abs/2412.07901v2
• Date: Fri, 30 May 2025 18:58:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-03 16:22:42.918072
• 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: ホモフィリー(Homophily)-類似の他と結びつく傾向は、ネットワーク構造と機能を形成する上で中心的な役割を担っている。 グループ内およびグループ間でホモフィリーを分解する最大エントロピーフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Homophily-the tendency to connect with similar others-plays a central role in shaping network structure and function. It is often treated as a uniform, global parameter, independent from other structural features. Here, we propose a maximum-entropy framework that decomposes homophily into contributions within and across groups, with the stochastic block model emerging as a special case. Our exponential-family formulation, parameterized by group size, fits real-world social networks well and allows homophily to be captured with a single parameter per group size. This decomposition shows that aggregate metrics often obscure group-level variation. We also find that the scale-dependent distribution of homophily has a significant impact on network percolation, influencing epidemic thresholds, the spread of ideas or behaviors, and the effectiveness of intervention strategies. Ignoring this heterogeneity can lead to distorted conclusions about connectivity and dynamics in complex systems.
• Abstract（参考訳）: ホモフィリー(Homophily)-類似の他と結びつく傾向は、ネットワーク構造と機能を形成する上で中心的な役割を担っている。 他の構造的特徴とは独立して、一様で大域的なパラメータとして扱われることが多い。 本稿では,グループ内およびグループ間でホモフィリーを分解する最大エントロピーフレームワークを提案する。 グループサイズによってパラメータ化された指数家族の定式化は、現実世界のソーシャルネットワークによく適合し、グループサイズ毎に単一のパラメータでホモフィリーをキャプチャすることができる。 この分解は、集約されたメトリクスがしばしばグループレベルの変化を曖昧にしていることを示している。 また、ホモフィリーのスケール依存分布は、ネットワークのパーコレーション、流行の閾値、アイデアや行動の拡散、介入戦略の効果に重大な影響を及ぼすことがわかった。 この不均一性を無視することは、複雑なシステムにおける接続性やダイナミクスに関する歪んだ結論につながる可能性がある。

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)
• Modeling Random Networks with Heterogeneous Reciprocity [9.630755176298056]
  成長するソーシャルネットワークにおける多様な相互行動のモデル化手法を開発する。 本稿では,人気ユーザに対するアトラクションを模倣した異種相互性を持つ優先アタッチメントモデルを提案する。 提案手法を,不均一な相互行動パターンを持つFacebookのウォールポストネットワークの解析に適用する。
  論文  参考訳（メタデータ） (2023-08-19T21:21:25Z)
• 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。