論文の概要: Testing for correlation between network structure and high-dimensional node covariates

• arxiv url: http://arxiv.org/abs/2509.03772v1
• Date: Wed, 03 Sep 2025 23:33:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:09.997282
• Title: Testing for correlation between network structure and high-dimensional node covariates
• Title（参考訳）: ネットワーク構造と高次元ノード共変量との相関性の検証
• Authors: Alexander Fuchs-Kreiss, Keith Levin,
• Abstract要約: 多くのアプリケーションドメインでは、ネットワークはノードレベルの特徴で観測される。 このような設定では、結節共変がネットワーク構造自体と相関しているかどうかを評価するのが一般的な問題である。 この問題に対処するための4つの新しい方法を提案する。
• 参考スコア（独自算出の注目度）: 47.791962198275066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many application domains, networks are observed with node-level features. In such settings, a common problem is to assess whether or not nodal covariates are correlated with the network structure itself. Here, we present four novel methods for addressing this problem. Two of these are based on a linear model relating node-level covariates to latent node-level variables that drive network structure. The other two are based on applying canonical correlation analysis to the node features and network structure, avoiding the linear modeling assumptions. We provide theoretical guarantees for all four methods when the observed network is generated according to a low-rank latent space model endowed with node-level covariates, which we allow to be high-dimensional. Our methods are computationally cheaper and require fewer modeling assumptions than previous approaches to network dependency testing. We demonstrate and compare the performance of our novel methods on both simulated and real-world data.
• Abstract（参考訳）: 多くのアプリケーションドメインでは、ネットワークはノードレベルの特徴で観測される。 このような設定では、結節共変がネットワーク構造自体と相関しているかどうかを評価するのが一般的な問題である。 本稿では,この問題に対処するための4つの新しい手法を提案する。 これらのうち2つは、ノードレベルの共変量とネットワーク構造を駆動する潜在ノードレベルの変数に関連する線形モデルに基づいている。 他の2つは、ノードの特徴とネットワーク構造に正準相関解析を適用することに基づいており、線形モデリングの仮定は避けている。 ノードレベルの共変量を持つ低ランク潜在空間モデルに基づいて観測されたネットワークが生成されるときの4つの手法の理論的保証を提供する。 提案手法は,従来のネットワーク依存テスト手法よりも計算コストが低く,モデリングの仮定も少ない。 シミュレーションデータと実世界データの両方で新しい手法の性能を実証し比較する。

関連論文リスト

• SimCalib: Graph Neural Network Calibration based on Similarity between Nodes [60.92081159963772]
  グラフニューラルネットワーク(GNN)は、さまざまなアプリケーションで実証されたグラフデータのモデリングにおいて、優れたパフォーマンスを示している。 理論解析により,GNNキャリブレーションとノードワイド類似性の関係について考察した。 SimCalibと名付けられた新しい校正フレームワークは、グローバルレベルとローカルレベルにおけるノード間の類似性を検討するために提案されている。
  論文  参考訳（メタデータ） (2023-12-19T04:58:37Z)
• Backpropagation on Dynamical Networks [0.0]
  本稿では,リカレントニューラルネットワークのトレーニングによく使用されるBPTTアルゴリズムに基づくネットワーク推論手法を提案する。 局所ノードダイナミクスの近似は、まずニューラルネットワークを用いて構築される。 得られた局所モデルと重み付けによるフリーラン予測性能は、真のシステムに匹敵することがわかった。
  論文  参考訳（メタデータ） (2022-07-07T05:22:44Z)
• Linear Connectivity Reveals Generalization Strategies [54.947772002394736]
  微調整されたモデルのいくつかは、それらの間の線形経路における損失を増大させる大きな障壁を持つ。 テスト損失面上で線形に接続されているが、クラスタ外のモデルから切り離されている異なるモデルのクラスタが見つかる。 我々の研究は、損失面の幾何学がモデルを異なる関数へと導く方法を示している。
  論文  参考訳（メタデータ） (2022-05-24T23:43:02Z)
• On the Power of Gradual Network Alignment Using Dual-Perception Similarities [14.779474659172923]
  ネットワークアライメント(NA)は、ネットワーク構造とノード属性に基づいて、2つのネットワーク間のノードの対応を見つけるタスクである。 我々の研究は、既存のNA手法のほとんどが一度に全てのノード対を発見しようとしたため、ノード対応の暫定的な発見によって得られた情報を利用していないという事実に動機づけられている。 強い一貫性を示すノード対をフル活用することにより、ノード対を徐々に発見する新しいNA法であるGrad-Alignを提案する。
  論文  参考訳（メタデータ） (2022-01-26T14:01:32Z)
• Block Dense Weighted Networks with Augmented Degree Correction [1.2031796234206138]
  本稿では,接続パターンの異なる重み付きネットワークの生成と推定を行う新しいフレームワークを提案する。 提案したモデルは,個々のノード特性をノードを接続するエッジにマッピングする関数の特定のクラスに依存している。 また,複数のデータセットを収集できない状況において,同一の頂点上で新たなネットワークを生成するブートストラップ手法を開発した。
  論文  参考訳（メタデータ） (2021-05-26T01:25:07Z)
• Convexifying Sparse Interpolation with Infinitely Wide Neural Networks: An Atomic Norm Approach [4.380224449592902]
  この研究は、漏れやすい整列線形単位活性化を伴うスパース(ニューロン数)、無限幅の単一の隠蔽層ニューラルネットワークによる正確なデータの問題を調べる。 ネットワークの重みと偏りに関するいくつかの異なる制約の下で、この問題に対する対応する原子集合の凸殻の簡易な特徴付けを導出する。 また,提案手法を二項分類問題に拡張した。
  論文  参考訳（メタデータ） (2020-07-15T21:40:51Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)
• Consistency of Spectral Clustering on Hierarchical Stochastic Block Models [5.983753938303726]
  実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。 本手法の強い一貫性を,幅広いモデルパラメータで証明する。 既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
  論文  参考訳（メタデータ） (2020-04-30T01:08:59Z)

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。