論文の概要: Diffusion-Network Alignment: An Efficient Algorithm and Explicit Probability Bounds

• arxiv url: http://arxiv.org/abs/2606.12879v1
• Date: Thu, 11 Jun 2026 04:08:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.57435
• Title: Diffusion-Network Alignment: An Efficient Algorithm and Explicit Probability Bounds
• Title（参考訳）: 拡散ネットワークアライメント:効率的なアルゴリズムと明示的確率境界
• Authors: Ziao Wang, Lei Ying,
• Abstract要約: 本稿では,従来のネットワークアライメント問題である拡散ネットワークアライメントのバリエーションについて検討する。 目的は、拡散木の頂点をネットワークの頂点に合わせることであり、拡散木の頂点は通信トレースや接触トレースから得る。
• 参考スコア（独自算出の注目度）: 19.451149684155002
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies a variation of the classic network alignment problem, named diffusion-network alignment. The goal is to align the vertices of a rooted diffusion tree to the vertices of a network, where the diffusion tree could be from a communication trace or contact tracing, and the network could be an online or offline social network. Different from the classic network alignment where both networks are fully observed, this model captures the information asymmetry of two networks. To solve this problem, this paper presents an efficient algorithm based on tree correlation tests to extract alignment information from local neighborhoods. We analyze the performance of the algorithm in the sparse graph regime and show that with high probability, all matched pairs are correct. Furthermore, for each vertex on the diffusion tree, this paper establishes an explicit lower bound on the probability that the vertex is correctly matched. These lower bounds are depth-dependent and increase as vertices get closer to the root.
• Abstract（参考訳）: 本稿では,従来のネットワークアライメント問題である拡散ネットワークアライメントのバリエーションについて検討する。 目的は、ルート拡散木の頂点をネットワークの頂点に合わせることであり、拡散木は通信トレースやコンタクトトレースからなり、ネットワークはオンラインまたはオフラインのソーシャルネットワークになる。 両方のネットワークが完全に観測される古典的なネットワークアライメントとは異なり、このモデルは2つのネットワークの情報非対称性をキャプチャする。 そこで本研究では,木間相関試験に基づく効率的なアルゴリズムを提案し,地域住民からのアライメント情報を抽出する。 スパースグラフ方式におけるアルゴリズムの性能を解析し、高い確率で一致した全てのペアが正しいことを示す。 さらに,拡散木上の各頂点に対して,頂点が正しく一致した確率に対する明示的な下限を確立する。 これらの下限は深さに依存しており、頂点が根に近づくにつれて増加する。

関連論文リスト

• Unrolled Graph Neural Networks for Constrained Optimization [83.29547301151177]
  2つの結合グラフニューラルネットワーク(GNN)における双対昇降アルゴリズムのダイナミクスについて検討する。 予備的ネットワークと二重ネットワークの更新を交互に行う共同学習手法を提案する。 我々の数値実験は、我々のアプローチがほぼ最適に近いほぼ実現可能な解をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-09-21T16:55:41Z)
• NetDiff: Deep Graph Denoising Diffusion for Ad Hoc Network Topology Generation [1.6768151308423371]
  本稿では,無線アドホックネットワークリンクトポロジを生成する拡散確率的アーキテクチャを記述したグラフであるNetDiffを紹介する。 この結果から,生成したリンクは現実的であり,データセットグラフに類似した構造的特性を有しており,操作するには小さな修正と検証ステップのみが必要であることがわかった。
  論文  参考訳（メタデータ） (2024-10-09T15:39:49Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• 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)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• PA-GM: Position-Aware Learning of Embedding Networks for Deep Graph Matching [14.713628231555223]
  本稿では,線形代入問題を高次元空間にマッピングできる新しいエンドツーエンドニューラルネットワークを提案する。 我々のモデルは、ノードの相対的な位置に対するアンカーセットを構成する。 そして、相対位置の尺度に基づいて、ターゲットノードと各アンカーノードの特徴情報を集約する。
  論文  参考訳（メタデータ） (2023-01-05T06:54:21Z)
• An Approach for Link Prediction in Directed Complex Networks based on Asymmetric Similarity-Popularity [0.0]
  本稿では,有向ネットワーク用に明示的に設計されたリンク予測手法を提案する。 これは、最近無方向性ネットワークで成功した類似性-人気パラダイムに基づいている。 アルゴリズムは、隠れた類似性を最も短い経路距離として近似し、リンクの非対称性とノードの人気を捉え、決定するエッジウェイトを使用する。
  論文  参考訳（メタデータ） (2022-07-15T11:03:25Z)
• 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)
• Consistency of random-walk based network embedding algorithms [13.214230533788932]
  node2vecアルゴリズムとDeepWalkアルゴリズムを行列ファクタリゼーションの観点から検討する。 その結果,観測ネットワークの幅,ランダムウォークのウィンドウサイズ,ノード2vec/DeepWalk埋め込みの収束率との微妙な相互作用が示唆された。
  論文  参考訳（メタデータ） (2021-01-18T22:49:22Z)

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。