論文の概要: NetworkNet: A Deep Neural Network Approach for Random Networks with Sparse Nodal Attributes and Complex Nodal Heterogeneity

• arxiv url: http://arxiv.org/abs/2604.11673v1
• Date: Mon, 13 Apr 2026 16:19:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.678391
• Title: NetworkNet: A Deep Neural Network Approach for Random Networks with Sparse Nodal Attributes and Complex Nodal Heterogeneity
• Title（参考訳）: NetworkNet: Sparse Nodal Attributes と Complex Nodal Heterogeneity を持つランダムネットワークのためのディープニューラルネットワークアプローチ
• Authors: Zhaoyu Xing, Xiufan Yu,
• Abstract要約: 我々は,高次元の結節特性を持つランダムネットワーク,すなわちネットワークネットワーク'における結節不均一性をモデル化するための,統計的基盤と統合された深部ニューラルネットワークアプローチを提案する。 NetworkNetの重要なイノベーションは、属性駆動の不均一性を明示的にパラメータ化する、カスタマイズされたニューラルネットワークアーキテクチャにある。 NetworkNetは、方法論的解釈可能性、アルゴリズム拡張性、および非漸近近似誤差境界を持つ統計的厳密性を備えたDNNの表現力を提供する。
• 参考スコア（独自算出の注目度）: 2.096970200818784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous network data with rich nodal information become increasingly prevalent across multidisciplinary research, yet accurately modeling complex nodal heterogeneity and simultaneously selecting influential nodal attributes remains an open challenge. This problem is central to many applications in economics and sociology, when both nodal heterogeneity and high-dimensional individual characteristics highly affect network formation. We propose a statistically grounded, unified deep neural network approach for modeling nodal heterogeneity in random networks with high-dimensional nodal attributes, namely ``NetworkNet''. A key innovation of NetworkNet lies in a tailored neural architecture that explicitly parameterizes attribute-driven heterogeneity, and at the same time, embeds a scalable attribute selection mechanism. NetworkNet consistently estimates two types of latent heterogeneity functions, i.e., nodal expansiveness and popularity, while simultaneously performing data-driven attribute selection to extract influential nodal attributes. By unifying classical statistical network modeling with deep learning, NetworkNet delivers the expressive power of DNNs with methodological interpretability, algorithmic scalability, and statistical rigor with a non-asymptotic approximation error bound. Empirically, simulations demonstrate strong performance in both heterogeneity estimation and high-dimensional attribute selection. We further apply NetworkNet to a large-scale author-citation network among statisticians, revealing new insights into the dynamic evolution of research fields and scholarly impact.
• Abstract（参考訳）: 多分野にわたる研究において、豊富な結節情報を持つ不均質なネットワークデータがますます普及するが、複雑な結節不均質を正確にモデル化し、影響のある結節属性を同時に選択することは、未解決の課題である。 この問題は、能動的不均一性と高次元的個人特性の両方がネットワーク形成に大きな影響を及ぼすときに、経済学や社会学における多くの応用の中心となる。 本研究では,高次元のノード特性を持つランダムネットワークにおけるノード不均一性をモデル化するための,統計的に基盤とした統合されたディープニューラルネットワーク手法を提案する。 NetworkNetの重要なイノベーションは、属性駆動の不均一性を明示的にパラメータ化する、カスタマイズされたニューラルネットワークアーキテクチャにあり、同時にスケーラブルな属性選択メカニズムを組み込む。 NetworkNetは、連続して2種類の遅延不均一関数、すなわち、結節拡張性と人気を推定し、同時にデータ駆動属性の選択を行い、影響のある結節属性を抽出する。 従来の統計的ネットワークモデリングをディープラーニングと統合することにより、NetworkNetは、方法論的解釈可能性、アルゴリズム拡張性、および非漸近近似誤差境界による統計的厳密性を備えたDNNの表現力を提供する。 シミュレーションは、不均一性推定と高次元属性選択の両方において強い性能を示す。 我々はさらに、NetworkNetを統計学者の間で大規模な著者引用ネットワークに適用し、研究分野の動的進化と学術的影響に関する新たな洞察を明らかにした。

関連論文リスト

• Intrusion Detection in Heterogeneous Networks with Domain-Adaptive Multi-Modal Learning [1.03590082373586]
  我々は,マルチモーダル学習とドメイン適応手法を統合したディープニューラルネットワークを開発した。 我々のモデルは、様々なソースから連続的にデータを処理し、複数のデータセットから学習し、様々な特徴空間に適応できるようにします。 実験により,提案モデルがネットワーク侵入の分類において,ベースラインニューラルモデルよりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-05T14:46:03Z)
• TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
  本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。 3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-19T09:20:31Z)
• Coding schemes in neural networks learning classification tasks [52.22978725954347]
  完全接続型広義ニューラルネットワーク学習タスクについて検討する。 ネットワークが強力なデータ依存機能を取得することを示す。 驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
  論文  参考訳（メタデータ） (2024-06-24T14:50:05Z)
• Hyperbolic Benchmarking Unveils Network Topology-Feature Relationship in GNN Performance [0.5416466085090772]
  グラフ機械学習のための総合的なベンチマークフレームワークを導入する。 我々は,現実的なトポロジ特性とノード特徴ベクトルを持つ合成ネットワークを生成する。 その結果,ネットワーク構造とノード特徴間の相互作用にモデル性能が依存していることが明らかになった。
  論文  参考訳（メタデータ） (2024-06-04T20:40:06Z)
• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• Interpretable Neural Networks with Random Constructive Algorithm [3.1200894334384954]
  本稿では,無作為重み付きニューラルネットワークの不透明なパラメータ化プロセスに取り組むために,空間情報を組み込んだ解釈型ニューラルネットワーク(INN)を提案する。 ネットワーク収束に寄与するノードパラメータを選択するために、候補ノードのプールと関係を確立することで、幾何学的関係戦略を考案する。
  論文  参考訳（メタデータ） (2023-07-01T01:07:20Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Modeling Dynamic Heterogeneous Network for Link Prediction using Hierarchical Attention with Temporal RNN [16.362525151483084]
  我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。 階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。 リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
  論文  参考訳（メタデータ） (2020-04-01T17:16:47Z)

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。