論文の概要: Network classification through random walks

• arxiv url: http://arxiv.org/abs/2505.21706v1
• Date: Tue, 27 May 2025 19:43:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.259249
• Title: Network classification through random walks
• Title（参考訳）: ランダムウォークによるネットワーク分類
• Authors: Gonzalo Travieso, Joao Merenda, Odemir M. Bruno,
• Abstract要約: ランダムウォークの統計を用いて,ネットワークを特徴付ける新しい手法を提案する。 複数のデータセットにおけるそれらの性能を、他の最先端の特徴抽出手法と比較する。
• 参考スコア（独自算出の注目度）: 0.7373617024876725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network models have been widely used to study diverse systems and analyze their dynamic behaviors. Given the structural variability of networks, an intriguing question arises: Can we infer the type of system represented by a network based on its structure? This classification problem involves extracting relevant features from the network. Existing literature has proposed various methods that combine structural measurements and dynamical processes for feature extraction. In this study, we introduce a novel approach to characterize networks using statistics from random walks, which can be particularly informative about network properties. We present the employed statistical metrics and compare their performance on multiple datasets with other state-of-the-art feature extraction methods. Our results demonstrate that the proposed method is effective in many cases, often outperforming existing approaches, although some limitations are observed across certain datasets.
• Abstract（参考訳）: ネットワークモデルは多様なシステムを研究し、その動的挙動を分析するために広く利用されている。 ネットワークの構造的変動を考えると、興味深い疑問が生じる: その構造に基づいて、ネットワークで表されるシステムのタイプを推測できるだろうか? この分類問題は、ネットワークから関連する特徴を抽出することを伴う。 既存の文献では、特徴抽出のための構造計測と動的過程を組み合わせた様々な手法が提案されている。 本研究では,ランダムウォークの統計を用いてネットワークを特徴付ける新しい手法を提案する。 採用した統計指標を示し、複数のデータセットの性能を他の最先端特徴抽出手法と比較する。 提案手法は多くの場合において有効であり,いくつかの制約は特定のデータセットで観測されるが,既存手法よりも優れていることが示唆された。

関連論文リスト

• Relational Composition in Neural Networks: A Survey and Call to Action [54.47858085003077]
  多くのニューラルネットは、データを「機能ベクトル」の線形結合として表現しているように見える。 我々は、この成功は関係性の構成を理解せずに不完全であると主張する。
  論文  参考訳（メタデータ） (2024-07-19T20:50:57Z)
• Model Evaluation and Anomaly Detection in Temporal Complex Networks using Deep Learning Methods [0.0]
  本稿では,時間的ネットワークモデルの結果評価の問題に対処するために,ディープラーニングに基づく自動アプローチを提案する。 評価法に加えて,提案手法は進化するネットワークにおける異常検出にも利用できる。
  論文  参考訳（メタデータ） (2024-06-15T09:19:09Z)
• Flexible inference in heterogeneous and attributed multilayer networks [21.349513661012498]
  我々は任意の種類の情報を持つ多層ネットワークで推論を行う確率的生成モデルを開発した。 インド農村部における社会支援ネットワークにおける様々なパターンを明らかにする能力を示す。
  論文  参考訳（メタデータ） (2024-05-31T15:21:59Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• The Multiple Subnetwork Hypothesis: Enabling Multidomain Learning by Isolating Task-Specific Subnetworks in Feedforward Neural Networks [0.0]
  我々は,未使用の重み付きネットワークがその後のタスクを学習するための方法論とネットワーク表現構造を同定する。 提案手法を用いてトレーニングされたネットワークは,タスクのパフォーマンスを犠牲にすることなく,あるいは破滅的な忘れを伴わずに,複数のタスクを学習できることを示す。
  論文  参考訳（メタデータ） (2022-07-18T15:07:13Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• CDEvalSumm: An Empirical Study of Cross-Dataset Evaluation for Neural Summarization Systems [121.78477833009671]
  データセット間設定下での様々な要約モデルの性能について検討する。 異なるドメインの5つのデータセットに対する11の代表的な要約システムに関する包括的な研究は、モデルアーキテクチャと生成方法の影響を明らかにしている。
  論文  参考訳（メタデータ） (2020-10-11T02:19:15Z)
• Inferring Network Structure From Data [1.2437226707039446]
  本稿では,ネットワークの様々なタスクに対する有効性を評価することに焦点を当てたネットワークモデル選択手法を提案する。 このネットワーク定義は、基礎となるシステムの振る舞いをモデル化するためのいくつかの方法において重要であることを実証する。
  論文  参考訳（メタデータ） (2020-04-04T23:30:54Z)

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。