論文の概要: A Kernelised Stein Discrepancy for Assessing the Fit of Inhomogeneous Random Graph Models

• arxiv url: http://arxiv.org/abs/2505.21580v1
• Date: Tue, 27 May 2025 09:06:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.182642
• Title: A Kernelised Stein Discrepancy for Assessing the Fit of Inhomogeneous Random Graph Models
• Title（参考訳）: 不均質ランダムグラフモデルの適合性評価のためのカーネル化スタイン差分法
• Authors: Anum Fatima, Gesine Reinert,
• Abstract要約: 我々は、IRGモデルのためのKSD型適合性テストを開発し、テストし、分析する。 テストは任意の大きさのネットワークに適用でき、テスト統計の分布に依存しない。
• 参考スコア（独自算出の注目度）: 0.552480439325792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex data are often represented as a graph, which in turn can often be viewed as a realisation of a random graph, such as of an inhomogeneous random graph model (IRG). For general fast goodness-of-fit tests in high dimensions, kernelised Stein discrepancy (KSD) tests are a powerful tool. Here, we develop, test, and analyse a KSD-type goodness-of-fit test for IRG models that can be carried out with a single observation of the network. The test is applicable to a network of any size and does not depend on the asymptotic distribution of the test statistic. We also provide theoretical guarantees.
• Abstract（参考訳）: 複素データはグラフとして表され、不均一ランダムグラフモデル(IRG)のようなランダムグラフの実現と見なされることが多い。 高次元での一般的な高速適合性テストでは、カーネル化されたSteindisrepancy(KSD)テストが強力なツールである。 そこで我々は,ネットワークの単一観測で実施可能な,KSD方式のIRGモデルの適合性テストを開発し,検証し,解析する。 テストは任意の大きさのネットワークに適用でき、テスト統計の漸近分布に依存しない。 理論的な保証も提供します。

関連論文リスト

• Generalization of Graph Neural Networks is Robust to Model Mismatch [84.01980526069075]
  グラフニューラルネットワーク(GNN)は、その一般化能力によってサポートされている様々なタスクにおいて、その効果を実証している。 本稿では,多様体モデルから生成される幾何グラフで動作するGNNについて検討する。 本稿では,そのようなモデルミスマッチの存在下でのGNN一般化の堅牢性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T16:00:44Z)
• Precise Error Rates for Computationally Efficient Testing [67.30044609837749]
  本稿では,計算複雑性に着目した単純な対数-単純仮説テストの問題を再考する。 線形スペクトル統計に基づく既存の試験は、I型とII型の誤差率の間の最良のトレードオフ曲線を達成する。
  論文  参考訳（メタデータ） (2023-11-01T04:41:16Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• On RKHS Choices for Assessing Graph Generators via Kernel Stein Statistics [8.987015146366216]
  ランダムネットワークモデルのKSDテストにおけるRKHS選択の効果を評価する。 本研究では,異なるシナリオにおけるテストのパワーパフォーマンスと計算実行時間について検討する。
  論文  参考訳（メタデータ） (2022-10-11T19:23:33Z)
• AZ-whiteness test: a test for uncorrelated noise on spatio-temporal graphs [19.407150082045636]
  グラフに対する最初の白さテスト、すなわちグラフのノードに関連付けられた連続時系列に対する連続白さテストを示す。 グラフストリームの予測残差を解析することにより、品質時間予測モデルの評価にどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2022-04-23T19:43:19Z)
• Testing Directed Acyclic Graph via Structural, Supervised and Generative Adversarial Learning [7.623002328386318]
  有向非巡回グラフ(DAG)の新しい仮説テスト法を提案する。 非常に柔軟なニューラルネットワーク学習者に基づいてテストを構築します。 シミュレーションと脳接続ネットワーク解析による実験の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-02T21:18:59Z)
• A Stein Goodness of fit Test for Exponential Random Graph Models [5.885020100736158]
  交換可能な指数的ランダムグラフモデルに対する適合試験手法の新たな非パラメトリック良性を提案し,解析する。 このテストは、ターゲットの非正規化ERGM密度から観測が生成される確率を決定する。
  論文  参考訳（メタデータ） (2021-02-28T18:16:41Z)
• A practical test for a planted community in heterogeneous networks [0.0]
  実ネットワークデータの場合、密な部分グラフの存在は一般に不明である。 テストのパワーを理論的に検討し、シミュレーションと実データ例を用いてテストの性能を評価します。
  論文  参考訳（メタデータ） (2021-01-15T01:34:14Z)
• Efficient Robustness Certificates for Discrete Data: Sparsity-Aware Randomized Smoothing for Graphs, Images and More [85.52940587312256]
  本稿では,初期作業を想定したランダム化平滑化フレームワークに基づくモデル非依存の証明書を提案する。 このアプローチがさまざまなモデル、データセット、タスクに対して有効であることを示します。
  論文  参考訳（メタデータ） (2020-08-29T10:09:02Z)
• 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。