論文の概要: Understanding Main Path Analysis

• arxiv url: http://arxiv.org/abs/2512.12355v1
• Date: Sat, 13 Dec 2025 14:59:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.226999
• Title: Understanding Main Path Analysis
• Title（参考訳）: 主経路解析の理解
• Authors: H. C. W. Price, T. S. Evans,
• Abstract要約: 主経路解析のエントロピーに基づく変種は幾何距離測定を最適化することを示す。 長いパスに基づくアプローチは、同様の結果をもたらすが、同様に動機付けが良く、実装がずっと簡単である。 我々は、私たちが一般化臨界と呼ぶ尺度の最小値のノードを少数選択する「バスケット」ノードを用いたアプローチを導入する」。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Main path analysis has long been used to trace knowledge trajectories in citation networks, yet it lacks solid theoretical foundations. To understand when and why this approach succeeds, we analyse directed acyclic graphs created from two types of artificial models and by looking at over twenty networks derived from real data. We show that entropy-based variants of main path analysis optimise geometric distance measures, providing its first information-theoretic and geometric basis. Numerical results demonstrate that existing algorithms converge on near-geodesic solutions. We also show that an approach based on longest paths produces similar results, is equally well motivated yet is much simpler to implement. However, the traditional single-path focus is unnecessarily restrictive, as many near-optimal paths highlight different key nodes. We introduce an approach using ``baskets'' of nodes where we select a fraction of nodes with the smallest values of a measure we call ``generalised criticality''. Analysis of large vaccine citation networks shows that these baskets achieve comprehensive algorithmic coverage, offering a robust, simple, and computationally efficient way to identify core knowledge structures. In practice, we find that those nodes with zero unit criticality capture the information in main paths in almost all cases and capture a wider range of key nodes without unnecessarily increasing the number of nodes considered. We find no advantage in using the traditional main path methods.
• Abstract（参考訳）: 主経路解析は、引用ネットワークにおける知識軌跡の追跡に長い間使われてきたが、確かな理論的基礎は欠如している。 このアプローチがいつ,なぜ成功したかを理解するために,2種類の人工モデルから生成した非巡回グラフと,実データから導出された20以上のネットワークを解析する。 本研究では,主経路解析のエントロピーに基づく変種が幾何距離測定を最適化し,その最初の情報理論および幾何学的基礎を提供することを示す。 数値的な結果は、既存のアルゴリズムが概ジオデシックな解に収束することを証明している。 また、長いパスに基づくアプローチが同様の結果をもたらすことも示しています。 しかし、従来のシングルパスフォーカスは必然的に制限的であり、多くの近最適パスは異なるキーノードをハイライトする。 ノードの‘baskets’を使って、‘Generalized criticality’(一般臨界度)’と呼ぶ測定値の最小値のノードを少数選択するアプローチを導入する。 大規模なワクチンの引用ネットワークの分析は、これらのバスケットが包括的なアルゴリズムのカバレッジを達成し、コア知識構造を特定する堅牢で、単純で、計算的に効率的な方法を提供することを示している。 実際には、単位臨界度がゼロのこれらのノードは、ほとんどすべてのケースにおいてメインパスの情報をキャプチャし、考慮されるノード数を不必要に増加させることなく、より広い範囲のキーノードをキャプチャする。 従来のメインパスメソッドを使うことの利点は見つからない。

関連論文リスト

• On Computing Top-$k$ Simple Shortest Paths from a Single Source [0.0]
  重み付きダイグラフにおける最上位$kの単純な最短経路の計算問題について検討する。 我々は,本アルゴリズムが実行時間において,後者のベースラインよりも連続的に,著しく優れていることを示す。 これらの結果は,1つのソースからの単純な最短経路を$k$で計算するソリューションとして,我々の新しいアルゴリズムを確立している。
  論文  参考訳（メタデータ） (2025-09-30T11:12:05Z)
• Knowledge-Guided Machine Learning for Stabilizing Near-Shortest Path Routing [3.595536209220219]
  本稿では,局所的なルーティングポリシーを学習するために,単一のグラフからデータサンプルを少数必要とするような単純なアルゴリズムを提案する。 GreedyTensileルーティングと呼ばれる新しいポリシーを学びます。 本稿では,Greedy Tensileルーティングの実行時の説明可能性と超低レイテンシ動作について述べる。
  論文  参考訳（メタデータ） (2025-09-08T12:56:42Z)
• Graph Convolutional Branch and Bound [1.8966938152549224]
  本稿では、ニューラルネットワークを用いて情報量(特に最適性スコア)を学習し、最適解の近さを推定する。 このスコアは、ブランチとバウンドのフレームワーク内のノードを評価するために使用され、ソリューション空間をより効率的にすることができる。
  論文  参考訳（メタデータ） (2024-06-05T09:42:43Z)
• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• Hub-aware Random Walk Graph Embedding Methods for Classification [44.99833362998488]
  ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。 提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
  論文  参考訳（メタデータ） (2022-09-15T20:41:18Z)
• GraphWalks: Efficient Shape Agnostic Geodesic Shortest Path Estimation [93.60478281489243]
  3次元曲面上の測地線経路を近似する学習可能なネットワークを提案する。 提案手法は,最短経路の効率的な近似と測地距離推定を提供する。
  論文  参考訳（メタデータ） (2022-05-30T16:22:53Z)
• Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
  クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。 本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。 ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
  論文  参考訳（メタデータ） (2021-12-03T14:23:05Z)
• Community detection using low-dimensional network embedding algorithms [1.052782170493037]
  我々はDeepWalkとnode2vecという2つの主要なアルゴリズムが、標準ネットワークモデルのためのコミュニティを回復する際の性能を厳格に理解している。 固定された共起窓を考えると、非追跡確率の低いランダムウォークを用いた node2vec は、多くのスペーサーネットワークで成功することを示す。
  論文  参考訳（メタデータ） (2021-11-04T14:57:43Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)

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。