論文の概要: Degree Centrality Algorithms for Weighted Multilayer Networks (or w-MLNs)

• arxiv url: http://arxiv.org/abs/2608.23876v1
• Date: Mon, 24 Aug 2026 22:32:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.649291
• Title: Degree Centrality Algorithms for Weighted Multilayer Networks (or w-MLNs)
• Title（参考訳）: 重み付き多層ネットワーク(またはw-MLN)のためのDegree Centrality Algorithms
• Abstract要約: 本研究は,疎結合型フレームワークを用いた重み付き均質多層ネットワーク(HoMLN)の計算次数集中性に着目した。 このフレームワークは、単純なグラフに還元することなく、MLNに対して独立した層解析を行う。 精度と効率のバランスをとるアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.24469484645516834
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Centrality measures are defined for simple graphs -- directed, undirected, weighted or unweighted. Attributed graphs have to be reduced to simple graphs for computing centrality measures. However, when applications with multiple types of relationships are modeled using multilayer networks (MLNs), simple graph algorithms cannot be directly used. Existing approaches typically analyze MLNs by aggregating layers of an MLN into a single graph, which results in the loss of structural and semantic information. The semantic information loss can be more pronounced particularly, in weighted networks. This work focuses on computing degree centrality in weighted homogeneous multilayer networks (HoMLNs) using a decoupling-based framework. The framework performs independent layer-wise analysis on MLNs without reducing them to simple graphs. The decoupling approach allows use of exiting algorithms for each layer and uses minimal information from individual layers for computing degree centrality of HoMLNs. We propose heuristic-based algorithms that strike a balance between accuracy and efficiency. The proposed methods are evaluated against ground truth (GT) results obtained using Boolean OR aggregation and naive baselines. Experimental results on both synthetic and real-world HoMLN datasets demonstrate that the heuristics achieve accuracy comparable to the ground truth while significantly improving computational efficiency, thereby establishing the scalability and effectiveness of the HoMLN algorithms developed using the decoupling approach.
• Abstract（参考訳）: 中心性尺度は、単純なグラフ -- 方向、方向、重み付け、または非重み付け -- に対して定義される。 集中度を計算するためには、分散グラフを単純なグラフに減らさなければならない。 しかし、複数種類の関係を持つアプリケーションがマルチレイヤネットワーク(MLN)を用いてモデル化されている場合、単純なグラフアルゴリズムを直接使用することはできない。 既存のアプローチでは、MLNの層を単一のグラフに集約することでMLNを解析し、構造的および意味的な情報が失われる。 意味情報損失は、特に重み付けされたネットワークにおいてより顕著である。 本研究は,疎結合型フレームワークを用いた重み付き均質多層ネットワーク(HoMLN)の計算次数集中性に着目した。 このフレームワークは、単純なグラフに還元することなく、MLNに対して独立した層解析を行う。 分離アプローチでは、各レイヤにエグジットアルゴリズムを使用でき、個々のレイヤから最小限の情報を使用して、HoMLNの計算の度合を計算できる。 精度と効率のバランスをとるヒューリスティックなアルゴリズムを提案する。 提案手法は,Boolean ORアグリゲーションとナイーブベースラインを用いて得られたグラウンド真理(GT)結果に対して評価した。 合成されたHoMLNデータセットと実世界のHoMLNデータセットの両方の実験結果から、ヒューリスティックスは地上の真理に匹敵する精度を達成し、計算効率を大幅に向上し、デカップリング手法を用いて開発されたHoMLNアルゴリズムのスケーラビリティと有効性を確立した。

関連論文リスト

• Learning Wireless Interference Patterns: Decoupled GNN for Throughput Prediction in Heterogeneous Multi-Hop p-CSMA Networks [4.303580795892996]
  Decoupled Graph Convolutional Network (D-GCN)は、ノードの送信確率の処理を近隣の干渉効果から明確に分離する新しいアーキテクチャである。 D-GCNは3.3%のNMAEを達成し、強力なベースラインを上回り、正確な解析手法が計算的に実現不可能になった場合でも、依然として引くことができる。
  論文  参考訳（メタデータ） (2025-10-15T22:13:59Z)
• Scalable Substructure Discovery Algorithm For Homogeneous Multilayer Networks [2.941253902145271]
  グラフマイニングは現実世界のグラフを分析して、グラフとしてモデル化されたアプリケーションの中核部分構造(連結部分グラフ)を見つける。 サブストラクチャディスカバリは、大きなデータセット内の意味のあるパターン、構造、コンポーネントを特定するプロセスである。 本稿では,新しいデカップリング手法を用いて,同種多層ネットワーク(MLNの一種)のサブ構造探索に着目する。
  論文  参考訳（メタデータ） (2025-04-27T18:58:32Z)
• On the Generalization Capability of Temporal Graph Learning Algorithms: Theoretical Insights and a Simpler Method [59.52204415829695]
  テンポラルグラフ学習(TGL)は、様々な現実世界のアプリケーションにまたがる一般的なテクニックとなっている。 本稿では,異なるTGLアルゴリズムの一般化能力について検討する。 一般化誤差が小さく、全体的な性能が向上し、モデルの複雑さが低下する単純化されたTGLネットワークを提案する。
  論文  参考訳（メタデータ） (2024-02-26T08:22:22Z)
• LightDiC: A Simple yet Effective Approach for Large-scale Digraph Representation Learning [42.72417353512392]
  磁気ラプラシアンに基づくダイグラフ畳み込みのスケーラブルな変種であるLightDiCを提案する。 LightDiCは、最も代表的な大規模データベースで満足な結果を提供する最初のDiGNNである。
  論文  参考訳（メタデータ） (2024-01-22T09:09:10Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Heterogenous Memory Augmented Neural Networks [84.29338268789684]
  ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。 学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。 In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
  論文  参考訳（メタデータ） (2023-10-17T01:05:28Z)
• Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
  グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。 最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• MAgNET: A Graph U-Net Architecture for Mesh-Based Simulations [0.5185522256407782]
  我々は、任意のグラフ構造化データに対応するために、よく知られた畳み込みニューラルネットワークを拡張するMagNETを提案する。 固体の力学における非線形有限要素シミュレーションのサロゲートモデリングにおけるMAgNETの予測能力を示す。
  論文  参考訳（メタデータ） (2022-11-01T19:23:45Z)
• Edge Graph Neural Networks for Massive MIMO Detection [15.970981766599035]
  無線通信システムにおいて、MIMO(Massive Multiple-Input Multiple-Out)検出は重要な問題である。 従来のBreief Propagation(BP)検出器はループグラフでは性能が良くないが、最近のグラフニューラルネットワーク(GNN)ベースの手法はBPの欠点を克服し、優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2022-05-22T08:01:47Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Network Gradient Descent Algorithm for Decentralized Federated Learning [0.2867517731896504]
  本稿では,コミュニケーションベースネットワーク上で実行される新しい勾配勾配アルゴリズムである,完全に分散化されたフェデレーション学習アルゴリズムについて検討する。 NGD法では、統計(パラメータ推定など)のみを通信し、プライバシーのリスクを最小限に抑える必要がある。 学習速度とネットワーク構造の両方が,NGD推定器の統計的効率を決定する上で重要な役割を担っていることがわかった。
  論文  参考訳（メタデータ） (2022-05-06T02:53:31Z)
• Pretrained Cost Model for Distributed Constraint Optimization Problems [37.79733538931925]
  分散制約最適化問題(DCOP)は、最適化問題の重要なサブクラスである。 本稿では,DCOPのための新しい非巡回グラフスキーマ表現を提案し,グラフ表現を組み込むためにグラフ注意ネットワーク(GAT)を利用する。 我々のモデルであるGAT-PCMは、幅広いDCOPアルゴリズムを向上するために、オフラインで最適なラベル付きデータで事前訓練される。
  論文  参考訳（メタデータ） (2021-12-08T09:24:10Z)

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。