論文の概要: Broad Spectrum Structure Discovery in Large-Scale Higher-Order Networks

• arxiv url: http://arxiv.org/abs/2505.21748v1
• Date: Tue, 27 May 2025 20:34:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.283641
• Title: Broad Spectrum Structure Discovery in Large-Scale Higher-Order Networks
• Title（参考訳）: 大規模高次ネットワークにおける広帯域構造発見
• Authors: John Hood, Caterina De Bacco, Aaron Schein,
• Abstract要約: 本稿では,大規模ハイパーグラフにおいて,メソスケールの広いスペクトルを効率的に表現し,発見する確率モデルについて紹介する。 低ランク表現を用いたクラス間の潜時相互作用による観測ノードの相互作用をモデル化することにより、我々はリッチな構造パターンを抽出する。 提案モデルは,最先端手法によるリンク予測を改善し,多様な実世界のシステムにおける解釈可能な構造を発見する。
• 参考スコア（独自算出の注目度）: 1.7273380623090848
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex systems are often driven by higher-order interactions among multiple units, naturally represented as hypergraphs. Understanding dependency structures within these hypergraphs is crucial for understanding and predicting the behavior of complex systems but is made challenging by their combinatorial complexity and computational demands. In this paper, we introduce a class of probabilistic models that efficiently represents and discovers a broad spectrum of mesoscale structure in large-scale hypergraphs. The key insight enabling this approach is to treat classes of similar units as themselves nodes in a latent hypergraph. By modeling observed node interactions through latent interactions among classes using low-rank representations, our approach tractably captures rich structural patterns while ensuring model identifiability. This allows for direct interpretation of distinct node- and class-level structures. Empirically, our model improves link prediction over state-of-the-art methods and discovers interpretable structures in diverse real-world systems, including pharmacological and social networks, advancing the ability to incorporate large-scale higher-order data into the scientific process.
• Abstract（参考訳）: 複雑系はしばしば複数の単位の間の高次相互作用によって駆動され、自然にハイパーグラフとして表される。 これらのハイパーグラフ内の依存関係構造を理解することは、複雑なシステムの振る舞いを理解し予測するために重要であるが、それらの組合せ複雑性と計算要求により困難である。 本稿では,大規模ハイパーグラフにおけるメソスケール構造を効率的に表現し,発見する確率モデルのクラスを紹介する。 このアプローチを可能にする重要な洞察は、潜在ハイパーグラフにおいて、類似したユニットのクラスをノードとして扱うことである。 低ランク表現を用いたクラス間の潜時相互作用を通して観測されたノード間の相互作用をモデル化することにより、モデル識別性を確保しつつ、リッチな構造パターンを抽出する。 これにより、異なるノードレベルの構造とクラスレベルの構造を直接解釈できる。 実証的に,我々のモデルは最先端手法によるリンク予測を改善し,薬理学やソーシャルネットワークを含む様々な現実世界システムにおける解釈可能な構造を発見し,大規模高次データを科学的プロセスに組み込む能力を向上させる。

関連論文リスト

• Topological Deep Learning with State-Space Models: A Mamba Approach for Simplicial Complexes [4.787059527893628]
  本稿では,Mamba状態空間モデルをバックボーンとして利用して,単純な複素数を扱うように設計された新しいアーキテクチャを提案する。 提案手法は, 隣接セルをベースとしたノードのシーケンスを生成し, ランクに関わらず, 上位構造間の直接通信を可能にする。
  論文  参考訳（メタデータ） (2024-09-18T14:49:25Z)
• Inference and Visualization of Community Structure in Attributed Hypergraphs Using Mixed-Membership Stochastic Block Models [2.8237889121096034]
  本稿では,ハイパーグラフの混合メンバーシップブロックモデルと次元削減手法を組み合わせたHyperNEOを提案する。 提案手法は,ノードのコミュニティメンバシップを多く保持するノードレイアウトを生成する。
  論文  参考訳（メタデータ） (2024-01-01T07:31:32Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Principled inference of hyperedges and overlapping communities in hypergraphs [0.0]
  本稿では,ハイパーグラフの構造的構造を特徴付けるための統計的推測に基づく枠組みを提案する。 我々は,ハイパーエッジ予測タスクにおいて強い性能を示し,相互作用によってもたらされる情報に順応したコミュニティの検出,ノイズの多いハイパーエッジの追加に対する堅牢性を示した。
  論文  参考訳（メタデータ） (2022-04-12T09:13:46Z)
• Layer-stacked Attention for Heterogeneous Network Embedding [0.0]
  レイヤスタックATTention Embedding (LATTE)は、各レイヤで上位のメタ関係を自動的に分解するアーキテクチャである。 LATTEは、異なる近傍範囲の異なるタイプのノードに対して、より解釈可能なアグリゲーションスキームを提供する。 帰納的ノード分類タスクと帰納的ノード分類タスクの両方において、LATTEは既存のアプローチと比較して最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2020-09-17T05:13:41Z)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)

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。