論文の概要: Testing Central Structure for Complex Networks

• arxiv url: http://arxiv.org/abs/2610.15659v1
• Date: Sun, 11 Oct 2026 14:38:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 17:26:07.181583
• Title: Testing Central Structure for Complex Networks
• Title（参考訳）: 複雑なネットワークのための中央構造テスト
• Abstract要約: 中心性は、観測された違いが通常の構造変化によって説明できる場合でもランクノードを測定する。 我々はこの問題を,隣接スペクトル半径をテスト統計量として用いたネットワークレベルの仮説テスト問題として定式化する。
• 参考スコア（独自算出の注目度）: 7.097267991220711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Centrality measures rank nodes even when the observed differences can be explained by ordinary structural variation. We therefore study a preceding question: whether a network contains a statistically identifiable central structure at all. We formulate this question as a network-level hypothesis testing issue using the adjacency spectral radius as the test statistic and estimate an empirical p-value from randomized networks generated under a specified null model. The framework is evaluated using G(N,M), Chung-Lu, and two implementations of the configuration model on simulated benchmarks and 55 real networks. Controlled experiments further vary the number and connection weights of designated central nodes while holding network size and density fixed. The results show a clear negative association between central-structure strength and the empirical p-value. They also demonstrate that rejection decisions depend substantially on the structural properties preserved by the null model: the detected network sets are not simply nested across models.
• Abstract（参考訳）: 中心性は、観測された違いが通常の構造変化によって説明できる場合でもランクノードを測定する。 そこで我々は,ネットワークが統計的に同定可能な中心構造を全く含まないかどうかという,先行する疑問を考察する。 本稿では, 隣接スペクトル半径をテスト統計量として用いたネットワークレベルの仮説テスト問題として定式化し, 特定のヌルモデルに基づいて生成したランダム化ネットワークから経験的p-値を推定する。 このフレームワークは、G(N,M)、Chung-Lu、およびシミュレーションベンチマークと55の実ネットワーク上の構成モデルの2つの実装を用いて評価される。 制御された実験は、ネットワークサイズと密度を固定しながら、指定された中央ノードの数と接続重みを更に変化させる。 その結果, 中心構造強度と経験的p値との間には明らかな負の相関が認められた。 彼らはまた、拒否決定はヌルモデルによって保存される構造的性質に大きく依存することを示した:検出されたネットワークセットは単にモデル全体にネストされるわけではない。

関連論文リスト

• Testing for correlation between network structure and high-dimensional node covariates [47.791962198275066]
  多くのアプリケーションドメインでは、ネットワークはノードレベルの特徴で観測される。 このような設定では、結節共変がネットワーク構造自体と相関しているかどうかを評価するのが一般的な問題である。 この問題に対処するための4つの新しい方法を提案する。
  論文  参考訳（メタデータ） (2025-09-03T23:33:17Z)
• 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)
• Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning [56.22841701016295]
  Supervised Causal Learning (SCL)はこの分野で新興パラダイムである。 既存のディープニューラルネットワーク(DNN)ベースの手法では、"Node-Edgeアプローチ"が一般的である。
  論文  参考訳（メタデータ） (2025-02-15T19:10:35Z)
• Network two-sample test for block models [16.597465729143813]
  2組のネットワークが同じモデルに由来するかどうかを判定することを目的とするネットワークの2サンプルテスト問題を考える。 ネットワーク分布にブロックモデル(SBM)を適用するのは,その解釈可能性と,より一般的なモデルに近似する可能性からである。 推定されたネットワークパラメータにマッチする効率的なアルゴリズムを導入し、サンプル内およびサンプル間の情報を適切に組み合わせ、コントラスト化することで、強力なテストを実現する。
  論文  参考訳（メタデータ） (2024-06-10T04:28:37Z)
• On the Neural Tangent Kernel Analysis of Randomly Pruned Neural Networks [91.3755431537592]
  ニューラルネットワークのニューラルカーネル(NTK)に重みのランダムプルーニングが及ぼす影響について検討する。 特に、この研究は、完全に接続されたニューラルネットワークとそのランダムに切断されたバージョン間のNTKの等価性を確立する。
  論文  参考訳（メタデータ） (2022-03-27T15:22:19Z)
• SRPCN: Structure Retrieval based Point Completion Network [9.456072124396231]
  構造検索に基づくポイントコンプリートネットワーク(SRPCN)を提案する。 最初はk平均クラスタリングを使用して構造点を抽出し、それを分布に分散し、その後、完全な構造点雲を見つけるための計量としてKLディバージェンス(英語版)が用いられる。 実験により,本手法はより正確な結果が得られ,より強力な一般化能力を有することが示された。
  論文  参考訳（メタデータ） (2022-02-06T01:20:50Z)
• ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
  我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。 我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
  論文  参考訳（メタデータ） (2020-09-04T20:41:47Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)

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。