論文の概要: A Resampling-Based Framework for Network Structure Learning in High-Dimensional Data

• arxiv url: http://arxiv.org/abs/2605.12706v1
• Date: Tue, 12 May 2026 20:08:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.661622
• Title: A Resampling-Based Framework for Network Structure Learning in High-Dimensional Data
• Title（参考訳）: 高次元データにおけるネットワーク構造学習のためのサンプルベースフレームワーク
• Authors: Ziwei Huang, Zeyuan Song, Paola Sebastiani, Stefano Monti,
• Abstract要約: RSNetは、堅牢で解釈可能なネットワーク推論のためのオープンソースのフレームワークである。 これは高次元データに共通する限定サンプルサイズの課題に対処する。
• 参考スコア（独自算出の注目度）: 9.529204808547783
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: RSNet is an open-source R package that provides a resampling-based framework for robust and interpretable network inference, designed to address the limited-sample-size challenges common in high-dimensional data. It supports both the estimation of partial correlation networks modeled as Gaussian networks and conditional Gaussian Bayesian networks for mixed data types that combine continuous and discrete variables. The framework incorporates multiple resampling strategies, including bootstrap, subsampling, and cluster-based approaches, to accommodate both independent and correlated observations. To enhance interpretability, RSNet integrates graphlet-based topology analysis that captures higher-order connectivity and edge sign information, enabling single-node and subnetwork-level insights. Notably, RSNet is the first R package to efficiently construct signed graphlet degree vector matrices (GDVMs) in near-constant time for sparse networks, providing scalable analysis of higher-order network structure. Collectively, RSNet offers a versatile tool for statistically reliable and interpretable network inference in high-dimensional data.
• Abstract（参考訳）: RSNetはオープンソースのRパッケージで、堅牢で解釈可能なネットワーク推論のためのリサンプリングベースのフレームワークを提供する。 ガウスネットワークとしてモデル化された部分相関ネットワークの推定と、連続変数と離散変数を組み合わせた混合データ型に対する条件付きガウスベイズネットワークの両方をサポートする。 このフレームワークには、ブートストラップ、サブサンプリング、クラスタベースのアプローチを含む複数の再サンプリング戦略が含まれており、独立性および相関性の両方の観察に適合している。 解釈可能性を高めるため、RSNetはグラフレットベースのトポロジ解析を統合し、高次の接続性とエッジサイン情報をキャプチャし、単一ノードとサブネットワークレベルの洞察を可能にする。 特に、RSNetはスパースネットワークにおいて、符号付きグラフレット次ベクトル行列(GDVM)をほぼ一定時間で効率的に構築し、高階ネットワーク構造をスケーラブルに解析する最初のRパッケージである。 RSNetは、高次元データにおける統計的信頼性と解釈可能なネットワーク推論のための汎用ツールである。

関連論文リスト

• ESS-ReduNet: Enhancing Subspace Separability of ReduNet via Dynamic Expansion with Bayesian Inference [2.5257156042887496]
  本稿では,各カテゴリのサブ空間の分離性を高めるためのESS-ReduNetを提案する。 ESS-ReduNetはReduNetに比べて10倍以上のコンバージェンス向上を実現している。
  論文  参考訳（メタデータ） (2024-11-27T00:37:12Z)
• XG-NID: Dual-Modality Network Intrusion Detection using a Heterogeneous Graph Neural Network and Large Language Model [5.298018090482744]
  XG-NIDは異種グラフ構造内にフローレベルとパケットレベルのデータを融合する最初の方法である。 XG-NIDは、フローとパケットペイロードデータの複雑な関係を効果的に捉えながら、リアルタイムの推論を可能にする。
  論文  参考訳（メタデータ） (2024-08-27T01:14:34Z)
• Unsupervised Graph Attention Autoencoder for Attributed Networks using K-means Loss [0.0]
  我々は、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、教師なしのtextbfGraph Attention textbfAutotextbfEncoder に基づく、シンプルで効率的なクラスタリング指向モデルを提案する。 提案モデルは,ネットワークのトポロジと属性情報の両方から表現を十分に学習し,同時に2つの目的,すなわち再構築とコミュニティ発見に対処する。
  論文  参考訳（メタデータ） (2023-11-21T20:45:55Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)
• Ensembled sparse-input hierarchical networks for high-dimensional datasets [8.629912408966145]
  サンプルサイズが小さい環境では,高密度ニューラルネットワークが実用的なデータ解析ツールであることを示す。 提案手法は,L1-ペナルティパラメータを2つだけ調整することで,ネットワーク構造を適切に調整する。 EASIER-netは、異なるサイズの実世界のデータセットのコレクションにおいて、データ適応方式でネットワークアーキテクチャを選択し、平均的なオフザシェルフ手法よりも高い予測精度を達成した。
  論文  参考訳（メタデータ） (2020-05-11T02:08:53Z)
• Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
  本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。 ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
  論文  参考訳（メタデータ） (2020-03-16T16:54:36Z)

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。