論文の概要: Common Structure Discovery in Collections of Bipartite Networks: Application to Pollination Systems

• arxiv url: http://arxiv.org/abs/2512.01716v1
• Date: Mon, 01 Dec 2025 14:22:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.89324
• Title: Common Structure Discovery in Collections of Bipartite Networks: Application to Pollination Systems
• Title（参考訳）: バイパルタイトネットワークコレクションにおける共通構造発見--ポリリネーションシステムへの応用
• Authors: Louis Lacoste, Pierre Barbillon, Sophie Donnet,
• Abstract要約: 両部ネットワークの集合に対する確率モデルであるemphcolBiSBMを紹介する。 当社のアプローチが,そのトポロジや組織に基づいて,ネットワークの分類にどのように使用されるかを示す。 プラント・ポリネータネットワークへの応用は、この手法が共用生態の役割を明らかにし、ネットワークを同様の接続パターンを持つサブコレクタに分割する方法を強調する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Bipartite networks are widely used to encode the ecological interactions. Being able to compare the organization of bipartite networks is a first step toward a better understanding of how environmental factors shape community structure and resilience. Yet current methods for structure detection in bipartite networks overlook shared patterns across collections of networks. We introduce the \emph{colBiSBM}, a family of probabilistic models for collections of bipartite networks that extends the classical Latent Block Model (LBM). The proposed framework assumes that networks are independent realizations of a shared mesoscale structure, encoded through common inter-block connectivity parameters. We establish identifiability conditions for the different variants of \emph{colBiSBM} and develop a variational EM algorithm for parameter estimation, coupled with an adaptation of the Integrated Classification Likelihood (ICL) criterion for model selection. We demonstrate how our approach can be used to classify networks based on their topology or organization. Simulation studies highlight the ability of \emph{colBiSBM} to recover common structures, improve clustering performance, and enhance link prediction by borrowing strength across networks. An application to plant--pollinator networks highlights how the method uncovers shared ecological roles and partitions networks into sub-collections with similar connectivity patterns. These results illustrate the methodological and practical advantages of joint modeling over separate network analyses in the study of bipartite systems.
• Abstract（参考訳）: バイパルタイトネットワークは生態相互作用を符号化するために広く利用されている。 2部ネットワークの組織を比較することは、環境要因がコミュニティの構造やレジリエンスをどのように形成するかをよりよく理解するための第一歩です。 しかし、二部ネットワークにおける構造検出の現在の手法は、ネットワークの集合をまたいだ共有パターンを見落としている。 本稿では,古典的ラテントブロックモデル(LBM)を拡張する二部ネットワークの集合に対する確率モデルである \emph{colBiSBM} を紹介する。 提案フレームワークは、ネットワークが共通のブロック間接続パラメータによって符号化された共有メソスケール構造の独立な実現であると仮定する。 モデル選択のためのICL(Integrated Classification Likelihood)基準の適応と合わせて, パラメータ推定のための変分EMアルゴリズムを開発した。 当社のアプローチが,そのトポロジや組織に基づいて,ネットワークの分類にどのように使用されるかを実証する。 シミュレーション研究は、共通の構造を復元し、クラスタリング性能を改善し、ネットワーク間の強度を借りることによるリンク予測を強化するために、 \emph{colBiSBM} の能力を強調している。 プラント・ポリネータネットワークへの応用は、この手法が共用生態の役割を明らかにし、ネットワークを同様の接続パターンを持つサブコレクタに分割する方法を強調する。 これらの結果は,二部構造系の研究において,ネットワーク解析を分離する上でのジョイントモデリングの方法論的,実践的優位性を示すものである。

関連論文リスト

• Learning Discrete Bayesian Networks with Hierarchical Dirichlet Shrinkage [52.914168158222765]
  我々はDBNを学習するための包括的なベイズ的フレームワークについて詳述する。 我々は、並列ランゲヴィン提案を用いてマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを新たに提案し、正確な後続サンプルを生成する。 原発性乳癌検体から予後ネットワーク構造を明らかにするために本手法を適用した。
  論文  参考訳（メタデータ） (2025-09-16T17:24:35Z)
• A stochastic block model for community detection in attributed networks [7.128313939076842]
  既存のコミュニティ検出手法は主にネットワーク構造に焦点をあてるが、ノード属性を統合する手法は主に従来のコミュニティ構造に当てられている。 本稿では,属性付きネットワークにおけるコミュニティ検出のためのノードの重心性とクラスタリング係数を統合するブロックモデルを提案する。 このモデルの性能は他の5つの比較アルゴリズムよりも優れている。
  論文  参考訳（メタデータ） (2023-08-31T01:00:24Z)
• Generative models for two-ground-truth partitions in networks [0.0]
  クロスブロックモデルは、単一のベンチマークネットワークのメソスケール構造に2つの異なるパーティションを構築することができる。 本稿では,ブロックモデルのパワーを指標として,両コミュニティとコア周辺構造の存在を暗黙的に検出することで,ベンチマークモデルのユースケースを実証する。 我々の発見は、ほとんどのケースにおいて、他のパーティションが存在する場合でも、何らかの方法で、支配的な構造を検出できるのは1つだけであることを示唆している。
  論文  参考訳（メタデータ） (2023-02-06T14:02:28Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Learning Cycle-Consistent Cooperative Networks via Alternating MCMC Teaching for Unsupervised Cross-Domain Translation [108.38098645524246]
  本稿では、生成フレームワークの提案により、教師なしクロスドメイン翻訳問題について検討する。 提案するフレームワークは,エネルギーベースモデルと潜在変数モデルから構成される。 提案手法は,教師なし画像から画像への変換とペアなし画像のシーケンス変換に有用であることを示す。
  論文  参考訳（メタデータ） (2021-03-07T07:09:38Z)
• On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
  本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。 また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
  論文  参考訳（メタデータ） (2020-09-15T00:16:12Z)
• 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)
• Detecting Communities in Heterogeneous Multi-Relational Networks:A Message Passing based Approach [89.19237792558687]
  コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。 我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:36:24Z)
• Community Detection in Bipartite Networks with Stochastic Blockmodels [0.0]
  バイパーティイトネットワークでは、あるタイプのノードは、他のタイプのノードとの共通の接続パターンに従ってグループ化される。 これにより、ブロックモデル(SBM)が2部構成のコミュニティ検出の直感的な選択となる。 我々はSBMの非パラメトリックな定式化とそれに対応するアルゴリズムを導入し、二部ネットワークのコミュニティを効率的に見つける。
  論文  参考訳（メタデータ） (2020-01-22T05:58:19Z)

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。