Fugu-MT 論文翻訳(概要): A Pure Hypothesis Test for Inhomogeneous Random Graph Models Based on a Kernelised Stein Discrepancy

論文の概要: A Pure Hypothesis Test for Inhomogeneous Random Graph Models Based on a Kernelised Stein Discrepancy

arxiv url: http://arxiv.org/abs/2505.21580v2
Date: Mon, 20 Oct 2025 13:59:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 00:56:38.3522
Title: A Pure Hypothesis Test for Inhomogeneous Random Graph Models Based on a Kernelised Stein Discrepancy
Title（参考訳）: 不均質ランダムグラフモデルに対するカーネル化スタインの差分に基づく純仮説テスト
Authors: Anum Fatima, Gesine Reinert,
Abstract要約: 我々は、ネットワークの単一観測で実行可能なIRGモデルのためのKSD型テストを開発する。テストはどんな大きさのネットワークにも適用されるが、テストが保証されていない小さなネットワークにとっては特に興味深い。
参考スコア（独自算出の注目度）: 2.191505742658975
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 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 a KSD-type test for IRG models that can be carried out with a single observation of the network. The test applies to a network of any size, but is particularly interesting for small networks for which asymptotic tests are not warranted. 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。そこで本研究では,ネットワークを単一観測することで,IRGモデルのKSD型テストを行う。このテストはどんな大きさのネットワークにも適用されるが、漸近性テストが保証されていない小さなネットワークでは特に興味深い。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)
Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
論文参考訳（メタデータ） (2021-12-19T05:04:53Z)
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。