論文の概要: Variational Estimators for Node Popularity Models

• arxiv url: http://arxiv.org/abs/2511.17783v1
• Date: Fri, 21 Nov 2025 21:04:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.423301
• Title: Variational Estimators for Node Popularity Models
• Title（参考訳）: ノード人気モデルの変分推定器
• Authors: Jony Karki, Dongzhou Huang, Yunpeng Zhao,
• Abstract要約: We developed a variational expectation-maximization framework for the Two-Way Node Popularity Model (TNPM)。 提案手法は,両部類および非指向性ネットワークにおける推定精度に優れることを示す。
• 参考スコア（独自算出の注目度）: 3.109663673701098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Node popularity is recognized as a key factor in modeling real-world networks, capturing heterogeneity in connectivity across communities. This concept is equally important in bipartite networks, where nodes in different partitions may exhibit varying popularity patterns, motivating models such as the Two-Way Node Popularity Model (TNPM). Existing methods, such as the Two-Stage Divided Cosine (TSDC) algorithm, provide a scalable estimation approach but may have limitations in terms of accuracy or applicability across different types of networks. In this paper, we develop a computationally efficient and theoretically justified variational expectation-maximization (VEM) framework for the TNPM. We establish label consistency for the estimated community assignments produced by the proposed variational estimator in bipartite networks. Through extensive simulation studies, we show that our method achieves superior estimation accuracy across a range of bipartite as well as undirected networks compared to existing algorithms. Finally, we evaluate our method on real-world bipartite and undirected networks, further demonstrating its practical effectiveness and robustness.
• Abstract（参考訳）: ノードの人気は、コミュニティ間のコネクティビティの不均一性を捉えながら、現実世界のネットワークをモデル化する上で重要な要素として認識されている。 この概念は、異なるパーティションのノードが様々な人気パターンを示し、TNPM(Two-Way Node Popularity Model)のようなモデルを動かす二部ネットワークにおいても同様に重要である。 Two-Stage Divided Cosine (TSDC) アルゴリズムのような既存の手法は、スケーラブルな推定手法を提供するが、異なるタイプのネットワークにまたがる精度や適用性には制限がある。 本稿では、TNPMのための計算効率が高く、理論的に正当化された変動予測最大化(VEM)フレームワークを開発する。 両部ネットワークにおける変分推定器による推定コミュニティ割り当てのラベル整合性を確立した。 シミュレーション実験により,提案手法は既存のアルゴリズムと比較して,両部類および非指向性ネットワークにおいて優れた推定精度を達成できることが判明した。 最後に,本手法を実世界の二部ネットワークおよび無方向性ネットワーク上で評価し,その実用性とロバスト性を示す。

関連論文リスト

• Two-way Node Popularity Model for Directed and Bipartite Networks [25.463498432350562]
  Two-Way Node Popularity Model (TNPM)は、一般のガウス系内の異なる分布のエッジを許容する。 大規模ネットワークをより効率的に処理するための2段階分割コサインアルゴリズム(TSDC)。
  論文  参考訳（メタデータ） (2024-12-11T02:59:14Z)
• Scalable spectral representations for multi-agent reinforcement learning in network MDPs [13.782868855372774]
  マルチエージェント制御の一般的なモデルであるNetwork Markov Decision Processes (MDPs)は、効率的な学習に重大な課題をもたらす。 まず、ネットワークMDPに対してスケーラブルなスペクトル局所表現を導出し、各エージェントの局所$Q$関数に対するネットワーク線形部分空間を誘導する。 我々は,連続的な状態対応ネットワークMDPのためのスケーラブルなアルゴリズムフレームワークを設計し,アルゴリズムの収束をエンドツーエンドで保証する。
  論文  参考訳（メタデータ） (2024-10-22T17:45:45Z)
• A pseudo-likelihood approach to community detection in weighted networks [4.111899441919165]
  本研究では,通常分布するエッジ重みを持つネットワークに対して,擬似的なコミュニティ推定アルゴリズムを提案する。 提案手法により得られた推定値が均質ネットワークの仮定の下で一貫したものであることを証明した。 シミュレーションネットワークとfMRIデータセットで、エッジウェイトは脳領域間の接続を表現している。
  論文  参考訳（メタデータ） (2023-03-10T13:36:10Z)
• Bayesian community detection for networks with covariates [16.230648949593153]
  科学界でもっとも注目されているのは「コミュニティ検出」である。 共依存型ランダムパーティションを持つブロックモデルを提案する。 本モデルでは, 後部推測により, コミュニティの数を知ることができる。
  論文  参考訳（メタデータ） (2022-03-04T01:58:35Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• A Bit More Bayesian: Domain-Invariant Learning with Uncertainty [111.22588110362705]
  ドメインの一般化は、ドメインシフトと、ターゲットドメインデータのアクセス不能に起因する不確実性のために困難である。 本稿では,変分ベイズ推定に基づく確率的枠組みを用いて,両課題に対処する。 2層ベイズ型ニューラルネットワークで共同で確立されたドメイン不変表現と分類器を導出する。
  論文  参考訳（メタデータ） (2021-05-09T21:33:27Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)
• 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。