論文の概要: Sparse Network Inference under Imperfect Detection and its Application to Ecological Networks

• arxiv url: http://arxiv.org/abs/2604.18820v2
• Date: Fri, 24 Apr 2026 15:50:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 13:34:22.019917
• Title: Sparse Network Inference under Imperfect Detection and its Application to Ecological Networks
• Title（参考訳）: 不完全検出下におけるスパースネットワーク推論と生態ネットワークへの応用
• Authors: Aoran Zhang, Tianyao Wei, Maria J. Guerrero, César A. Uribe,
• Abstract要約: 本稿では, 検出推定を伴う非負の非負の低ランク因数分解のためのフレームワークを提案する。 スケール認識と類似性認識を併用したADMMに基づくアルゴリズムを開発し,その実現可能性を確立する。 合成および実世界の生態クラスターの実験では、潜伏構造と類似性/接続性の改善が示されている。
• 参考スコア（独自算出の注目度）: 2.7065664375961274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovering latent structure from count data has received considerable attention in network inference, particularly when one seeks both cross-group interactions and within-group similarity patterns in bipartite networks, which is widely used in ecology research. Such networks are often sparse and inherently imperfect in their detection. Existing models mainly focus on interaction recovery, while the induced similarity graphs are much less studied. Moreover, sparsity is often not controlled, and scale is unbalanced, leading to oversparse or poorly rescaled estimates with degrading structural recovery. To address these issues, we propose a framework for structured sparse nonnegative low-rank factorization with detection probability estimation. We impose nonconvex $\ell_{1/2}$ regularization on the latent similarity and connectivity structures to promote sparsity within-group similarity and cross-group connectivity with better relative scale. The resulting optimization problem is nonconvex and nonsmooth. To solve it, we develop an ADMM-based algorithm with adaptive penalization and scale-aware initialization and establish its asymptotic feasibility and KKT stationarity of cluster points under mild regularity conditions. Experiments on synthetic and real-world ecological datasets demonstrate improved recovery of latent factors and similarity/connectivity structure relative to existing baselines.
• Abstract（参考訳）: カウントデータから潜伏構造を復元することは、特に生態学研究で広く使われている2部ネットワークにおけるグループ間相互作用とグループ内類似パターンの両方を求める場合、ネットワーク推論において顕著な注目を集めている。 このようなネットワークはしばしばスパースであり、その検出には本質的に不完全である。 既存のモデルは主に相互作用の回復に焦点を当てているが、誘導された類似性グラフはあまり研究されていない。 さらに、スパーシリティは制御されず、スケールは不均衡であり、構造回復を低下させることなく、過度に、あるいは低い再スケールの見積もりにつながる。 これらの問題に対処するために,検出確率推定を伴うスパース非負の低ランク因数分解のためのフレームワークを提案する。 非凸$\ell_{1/2}$正規化を潜在類似性と接続構造に課し、より優れた相対スケールで群内類似性と群間の接続性を促進する。 結果として生じる最適化問題は非凸かつ非滑らかである。 そこで我々は,適応的なペナライゼーションとスケールアウェア初期化を備えたADMMアルゴリズムを開発し,その漸近的実現性とクラスタポイントのKKT定常性を確立する。 人工および実世界の生態データセットの実験では、潜伏因子の回復と、既存のベースラインに対する類似性/接続構造の改善が示されている。

関連論文リスト

• Twinning Complex Networked Systems: Data-Driven Calibration of the mABCD Synthetic Graph Generator [2.6776012440607784]
  本稿では、マッチング構成を推定し、関連するエラーを定量化する手法を提案する。 構成パラメータ間の強い相互依存が独立推定を弱め、代わりに共同予測アプローチを好んでいることから,本課題は非自明であることを示す。
  論文  参考訳（メタデータ） (2026-02-02T12:40:19Z)
• Contrastive clustering based on regular equivalence for influential node identification in complex networks [10.538045764554019]
  ReCCは、影響のあるノード識別のための新しい非教師なしフレームワークである。 ネットワーク再構成損失を使用して事前トレーニングを行い、コントラストとクラスタリングの損失を組み合わせた微調整を行う。 大規模な実験により、ReCCはいくつかのベンチマークで最先端のアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-30T09:34:39Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Learning Persistent Community Structures in Dynamic Networks via Topological Data Analysis [2.615648035076649]
  本稿では,コミュニティ間構造における時間的一貫性の整合性を考慮した新しいディープグラフクラスタリングフレームワークを提案する。 MFCは、ノード埋め込みを保存する行列分解に基づくディープグラフクラスタリングアルゴリズムである。 TopoRegは、時間間隔でコミュニティ間構造間のトポロジカルな類似性を維持するために導入された。
  論文  参考訳（メタデータ） (2024-01-06T11:29:19Z)
• Signed Network Embedding with Application to Simultaneous Detection of Communities and Anomalies [25.541992448747695]
  本稿では,ネットワーク間のバランス構造と異常な影響を解消するために,符号付きネットワークの統一的な埋め込みモデルを開発する。 提案モデルでは,低位+スパース行列分解によるバランス構造と異常効果の両方を捉える。 また, 組込みモデルの利点は, 合成ネットワークと国際関係ネットワークの双方において, 広範な数値実験によって実証される。
  論文  参考訳（メタデータ） (2022-07-08T03:58:56Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• 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)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。