論文の概要: SubSearch: Robust Estimation and Outlier Detection for Stochastic Block Models via Subgraph Search

• arxiv url: http://arxiv.org/abs/2506.03657v1
• Date: Wed, 04 Jun 2025 07:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.205974
• Title: SubSearch: Robust Estimation and Outlier Detection for Stochastic Block Models via Subgraph Search
• Title（参考訳）: SubSearch: グラフ探索による確率ブロックモデルのロバスト推定と外乱検出
• Authors: Leonardo Martins Bianco, Christine Keribin, Zacharie Naulet,
• Abstract要約: 本稿では,SBMパラメータを頑健に推定するアルゴリズムを提案する。 また,本手法は外れ値検出手法として機能し,グラフがモデルから逸脱する原因となるノードを適切に同定し,高次ノードを刈り取るといった単純な手法を克服する。
• 参考スコア（独自算出の注目度）: 2.082364067210557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Community detection is a fundamental task in graph analysis, with methods often relying on fitting models like the Stochastic Block Model (SBM) to observed networks. While many algorithms can accurately estimate SBM parameters when the input graph is a perfect sample from the model, real-world graphs rarely conform to such idealized assumptions. Therefore, robust algorithms are crucial-ones that can recover model parameters even when the data deviates from the assumed distribution. In this work, we propose SubSearch, an algorithm for robustly estimating SBM parameters by exploring the space of subgraphs in search of one that closely aligns with the model's assumptions. Our approach also functions as an outlier detection method, properly identifying nodes responsible for the graph's deviation from the model and going beyond simple techniques like pruning high-degree nodes. Extensive experiments on both synthetic and real-world datasets demonstrate the effectiveness of our method.
• Abstract（参考訳）: コミュニティ検出はグラフ解析の基本的な課題であり、観測されたネットワークに対する確率ブロックモデル(SBM)のような適合モデルに依存する手法がしばしばある。 多くのアルゴリズムは入力グラフがモデルから完全なサンプルであるときに正確にSBMパラメータを推定できるが、現実のグラフはそのような理想的な仮定にはほとんど従わない。 したがって、ロバストアルゴリズムは、仮定された分布からデータが逸脱した場合でもモデルパラメータを復元できる重要なアルゴリズムである。 本研究では,SBMパラメータを頑健に推定するアルゴリズムであるSubSearchを提案する。 また,本手法は外れ値検出手法として機能し,グラフがモデルから逸脱する原因となるノードを適切に同定し,高次ノードを刈り取るといった単純な手法を克服する。 合成および実世界の両方のデータセットに対する大規模な実験により,本手法の有効性が示された。

関連論文リスト

• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• Graph-Based Model-Agnostic Data Subsampling for Recommendation Systems [29.713557081485995]
  データサブサンプリングはリコメンデーションシステムのトレーニングを高速化するために広く使われている。 ほとんどのサブサンプリング手法はモデルベースであり、データの重要性を測定するために事前訓練されたパイロットモデルを必要とすることが多い。 本稿では,グラフで表される入力データ構造のみを探索し,モデルに依存しないデータサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-05-25T18:00:15Z)
• Learning to Bound: A Generative Cram\'er-Rao Bound [25.739449801033846]
  データ駆動手法を用いてクラムラーラオ境界(CRB)を近似する新しい手法を提案する。 我々は測定値の分布をモデル化し、GCRB(Generative Cram'er-Rao Bound)と呼ばれるCRBの近似を得る。
  論文  参考訳（メタデータ） (2022-03-07T20:31:53Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
  まず確率分布をモデル化し,そのモデルからサンプリングする。 これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
  論文  参考訳（メタデータ） (2021-10-20T12:25:22Z)
• 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)
• Community Detection in the Stochastic Block Model by Mixed Integer Programming [3.8073142980733]
  Degree-Corrected Block Model (DCSBM) は、コミュニティ構造を持つランダムグラフを生成する一般的なモデルである。 DCSBMに基づくコミュニティ検出の標準的なアプローチは、最大推定(MLE)により観測されたネットワークデータを生成する可能性が最も高いモデルパラメータを探索することである。 本稿では,モデルパラメータと最大確率のコミュニティ割当を観測グラフから確実に求める数学的計画式と厳密解法を提案する。
  論文  参考訳（メタデータ） (2021-01-26T22:04:40Z)
• CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
  我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。 複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。 探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
  論文  参考訳（メタデータ） (2020-01-08T17:37:01Z)

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。