論文の概要: The Best Soules Basis for the Estimation of a Spectral Barycentre Network

• arxiv url: http://arxiv.org/abs/2502.00038v1
• Date: Sun, 26 Jan 2025 05:02:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 21:44:25.215313
• Title: The Best Soules Basis for the Estimation of a Spectral Barycentre Network
• Title（参考訳）: スペクトルBarycentreネットワーク推定のための最良ソウル基底
• Authors: François G. Meyer,
• Abstract要約: 我々は、ラプラシアンスペクトルの擬似距離に基づいて、一組のネットワークのバリセントを計算する。 ネットワークがブロックモデルのランダムな実現である場合、我々のアルゴリズムは集団平均隣接行列を再構成する。 この研究は、理論的な保証を持つ新しいスペクトルベースのネットワーク合成の設計への扉を開くために重要である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The main contribution of this work is a fast algorithm to compute the barycentre of a set of networks based on a Laplacian spectral pseudo-distance. The core engine for the reconstruction of the barycentre is an algorithm that explores the large library of Soules bases, and returns a basis that yields a sparse approximation of the sample mean adjacency matrix. We prove that when the networks are random realizations of stochastic block models, then our algorithm reconstructs the population mean adjacency matrix. In addition to the theoretical analysis of the estimator of the barycentre network, we perform Monte Carlo simulations to validate the theoretical properties of the estimator. This work is significant because it opens the door to the design of new spectral-based network synthesis that have theoretical guarantees.
• Abstract（参考訳）: この研究の主な貢献は、ラプラシアンスペクトルの擬似距離に基づいてネットワークの集合のバリセントを高速に計算するアルゴリズムである。 バリセントレの復元のためのコアエンジンは、スールズ基底の大規模なライブラリを探索し、サンプル平均隣接行列のスパース近似を生成する基底を返すアルゴリズムである。 ネットワークが確率ブロックモデルのランダムな実現である場合、我々のアルゴリズムは集団平均隣接行列を再構成する。 バリセントルネットワークの推定器の理論解析に加えて、モンテカルロシミュレーションを行い、推定器の理論的性質を検証した。 この研究は、理論的な保証を持つ新しいスペクトルベースのネットワーク合成の設計への扉を開くために重要である。

関連論文リスト

• A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
  この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。 コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。 この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
  論文  参考訳（メタデータ） (2025-07-17T10:02:57Z)
• Optimal Spectral Transitions in High-Dimensional Multi-Index Models [21.56591917674864]
  本稿では,この問題に適したメッセージパッシング方式の線形化に基づくスペクトルアルゴリズムを提案する。 本研究では,提案手法が最適復元しきい値を達成することを示す。 数値実験と厳密な理論的枠組みによって支援され、我々はマルチインデックスモデルにおける弱い学習可能性の計算限界における臨界ギャップを橋渡しする。
  論文  参考訳（メタデータ） (2025-02-04T18:15:51Z)
• Scalable spectral representations for multi-agent reinforcement learning in network MDPs [13.782868855372774]
  マルチエージェント制御の一般的なモデルであるNetwork Markov Decision Processes (MDPs)は、効率的な学習に重大な課題をもたらす。 まず、ネットワークMDPに対してスケーラブルなスペクトル局所表現を導出し、各エージェントの局所$Q$関数に対するネットワーク線形部分空間を誘導する。 我々は,連続的な状態対応ネットワークMDPのためのスケーラブルなアルゴリズムフレームワークを設計し,アルゴリズムの収束をエンドツーエンドで保証する。
  論文  参考訳（メタデータ） (2024-10-22T17:45:45Z)
• Encoder Embedding for General Graph and Node Classification [4.178980693837599]
  エンコーダの埋め込み行列が大数の法則と中心極限定理を満たすことを証明している。 ある条件下では、クラスごとの正規性を達成し、識別分析による最適な分類を可能にする。
  論文  参考訳（メタデータ） (2024-05-24T11:51:08Z)
• Inferring Dynamic Networks from Marginals with Iterative Proportional Fitting [57.487936697747024]
  実世界のデータ制約から生じる一般的なネットワーク推論問題は、その時間集約された隣接行列から動的ネットワークを推論する方法である。 本稿では,ネットワーク構造に対する最小限の変更の下でIPFの収束を保証するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-28T20:24:56Z)
• Visualization of Entanglement Geometry by Structural Optimization of Tree Tensor Network [0.0]
  木テンソルネットワークのための構造最適化アルゴリズムを提案する。 提案アルゴリズムは,スピン・シングレット対の空間的パターンを基底状態に可視化する。
  論文  参考訳（メタデータ） (2024-01-29T09:39:24Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Fine-grained Graph Rationalization [51.293401030058085]
  グラフ機械学習のための微粒なグラフ合理化(FIG)を提案する。 私たちのアイデアは、入力ノード間のリッチなインタラクションを提供するセルフアテンションメカニズムによって推進されます。 実験では,実世界の7つのデータセットを対象とし,提案したFIGは,13のベースライン手法と比較して大きな性能上の優位性を示した。
  論文  参考訳（メタデータ） (2023-12-13T02:56:26Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Robust Training and Verification of Implicit Neural Networks: A Non-Euclidean Contractive Approach [64.23331120621118]
  本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。 組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。 MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
  論文  参考訳（メタデータ） (2022-08-08T03:13:24Z)
• Graph Pooling with Maximum-Weight $k$-Independent Sets [12.251091325930837]
  最大ウェイト$k$非依存集合のグラフ理論的概念に基づくグラフ粗化機構を導入する。 我々は、経路長の歪み境界の理論的保証と、粗化グラフにおける重要な位相特性を保存できることを証明した。
  論文  参考訳（メタデータ） (2022-08-06T14:12:47Z)
• Perfect Spectral Clustering with Discrete Covariates [68.8204255655161]
  本稿では,大規模なスパースネットワークのクラスにおいて,高い確率で完全クラスタリングを実現するスペクトルアルゴリズムを提案する。 本手法は,スペクトルクラスタリングによる一貫した潜在構造回復を保証する最初の方法である。
  論文  参考訳（メタデータ） (2022-05-17T01:41:06Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• An Unbiased Symmetric Matrix Estimator for Topology Inference under Partial Observability [16.60607849384252]
  本稿では,部分観測可能性の枠組みに基づくネットワークトポロジ推論の問題について考察する。 本稿では、ガウス雑音とラプラシアン結合則を持つ対称ネットワークトポロジーのための新しい非バイアス推定器を提案する。 ネットワーク構造を推定するために、ネットワーク推論ガウスアルゴリズムと呼ばれる効果的なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-03-29T12:49:25Z)
• Theoretical analysis and computation of the sample Frechet mean for sets of large graphs based on spectral information [0.0]
  グラフの集合に、それぞれの隣接行列の固有値の間のノルムで定義される擬測度を割り当てる。 編集距離とは異なり、この擬似測度は複数のスケールで構造変化を示す。 固定サイズの無向非重み付きグラフの集合のサンプルFrechet平均に対する近似を計算するアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2022-01-15T20:53:29Z)
• Regularization of Mixture Models for Robust Principal Graph Learning [0.0]
  D$次元データポイントの分布から主グラフを学習するために,Mixture Modelsの正規化バージョンを提案する。 モデルのパラメータは期待最大化手順によって反復的に推定される。
  論文  参考訳（メタデータ） (2021-06-16T18:00:02Z)
• Approximate Fr\'echet Mean for Data Sets of Sparse Graphs [0.0]
  本研究では、各隣接値の固有値間の$ell$ノルムによって定義された擬似メトリック行列をグラフの集合に装備する。 編集距離とは異なり、この擬メトリックは複数のスケールでの構造変化を示し、グラフの集合上の様々な統計問題の研究によく適合している。 本研究では,一定の大きさの非有向非重み付きグラフの集合fr'echet平均の近似を計算するアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-05-10T01:13:25Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• An End to End Network Architecture for Fundamental Matrix Estimation [14.297068346634351]
  ステレオ画像から直接基本行列を推定する新しいエンドツーエンドネットワークアーキテクチャを提案する。 画像内の対応関係を見つけ、外乱の拒絶を行い、基本行列を計算するための異なるディープニューラルネットワークを、エンドツーエンドのネットワークアーキテクチャに統合する。
  論文  参考訳（メタデータ） (2020-10-29T12:48:43Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Constant-Expansion Suffices for Compressed Sensing with Generative Priors [26.41623833920794]
  我々は、ベシッツではなく、リピート理論性の緩和された概念を満たすようなランダム関数に対する新しい一様濃度を証明した。 WDCは、この問題に関するすべての理論的保証の基本的な集中不等式であるため、我々の既知のすべての改善は、1つ、低ビットリカバリなど、先行した結果に結びついている。
  論文  参考訳（メタデータ） (2020-06-07T19:14:41Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)
• Semiparametric Nonlinear Bipartite Graph Representation Learning with Provable Guarantees [106.91654068632882]
  半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。 提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。 我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
  論文  参考訳（メタデータ） (2020-03-02T16:40:36Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。