論文の概要: Dual-Corrected Stochastic Block Model ($\text{DC}^2\text{SBM}$): A Generalized Structure Detection Method for Attributed Networks

• arxiv url: http://arxiv.org/abs/2610.40676v1
• Date: Fri, 23 Oct 2026 15:58:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.444225
• Title: Dual-Corrected Stochastic Block Model ($\text{DC}^2\text{SBM}$): A Generalized Structure Detection Method for Attributed Networks
• Title（参考訳）: Dual-Corrected Stochastic Block Model ($\text{DC}^2\text{SBM}$): 分散ネットワークのための一般化構造検出法
• Abstract要約: 属性ネットワークにおけるコミュニティ検出は、複雑なネットワーク分析のコアタスクの1つである。 本稿では,独立修正因子を導入したDual-Corrected Block Model(textDC2textSBM$)を提案する。 合成および実属性ネットワークの実験により、DC2SBMはコミュニティ検出精度において最先端の手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 11.064930173853641
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Community detection in attributed networks is one of the core tasks of complex network analysis. The stochastic block model (SBM) and its variants are able to detect generalized network structures such as assortative, disassortative and mixed structures. However, existing generative methods either ignore node heterogeneity, or characterize node activity in the topological and attribute dimensions by one and the same factor, making it difficult to correctly model node activity when the two kinds of activity are decoupled. In this paper, we propose the Dual-Corrected Stochastic Block Model ($\text{DC}^2\text{SBM}$), which introduces independent correction factors---a topological degree factor and an attribute abundance factor---into the link-generation and attribute-generation channels, respectively, thereby effectively decoupling node activity from membership inference, and which further introduces a global scaling parameter to resolve the mismatch between the normalization constraints and the network scale. The model is inferred by the expectation--maximization (EM) algorithm, and the newly introduced factors cancel out completely in the posterior computation, so that no additional computational cost is incurred. Experiments on synthetic and real attributed networks show that DC^2SBM outperforms state-of-the-art methods in community detection accuracy, with an especially pronounced advantage when the topological signal is weak. The two correction factors can be recovered independently from their respective channels without cross-talk. Analytical as well as controlled experiments further demonstrate that modeling with a single shared factor fails when the two kinds of activity are decoupled---a regime that is prevalent in real networks---thereby validating the necessity of dual independent correction.
• Abstract（参考訳）: 属性ネットワークにおけるコミュニティ検出は、複雑なネットワーク分析のコアタスクの1つである。 確率ブロックモデル(SBM)とその変種は、因数、非因数、混合構造などの一般化されたネットワーク構造を検出することができる。 しかし、既存の生成法では、ノードの不均一性を無視したり、トポロジカルおよび属性次元におけるノードのアクティビティを1と同一の要素で特徴づけたりすることで、2種類のアクティビティが分離されたときにノードのアクティビティを正しくモデル化することは困難である。 本稿では,2次補正ブロックモデル (\text{DC}^2\text{SBM}$) を提案する。このモデルでは, トポロジカル次数係数と属性存在量係数をそれぞれリンク生成チャネルと属性生成チャネルに導入し, ノードのアクティビティをメンバシップ推論から効果的に分離し, さらに, 正規化制約とネットワークスケールのミスマッチを解決するためのグローバルスケーリングパラメータを導入する。 このモデルは予測-最大化(EM)アルゴリズムによって推定され、新たに導入された因子は後続計算で完全にキャンセルされるため、追加の計算コストは発生しない。 合成および実属性ネットワークの実験では、DC^2SBMはコミュニティ検出精度において最先端の手法よりも優れており、トポロジカル信号が弱い場合には特に有利である。 2つの補正因子は、クロストークなしでそれぞれのチャネルから独立して回収することができる。 分析的および制御された実験により、単一の共有因子によるモデリングは、2種類のアクティビティが分離されたときに失敗することを示した。

関連論文リスト

• $M^2Net$: Unifying Scale-Specific Structures and Prototype Decomposition for Spatial-Temporal Forecasting [62.414974731333295]
  我々は、スケール固有の構造学習と意味分解を統合するために、$M2Net$という新しいフレームワークを提案する。 M2Net$は、広範な経験的検証において最先端のベースラインを上回っます。
  論文  参考訳（メタデータ） (2026-10-17T07:24:57Z)
• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• T-GINEE: A Tensor-Based Multilayer Graph Representation Learning [50.294562905744215]
  T-GINEEは、テンソルに基づく一般化された推定方程式とタスク固有の損失を組み合わせた統計正規化フレームワークである。 我々の理論的分析は、穏やかな条件下での一貫性と正規性を確立する。 合成および実世界のデータセットに関する大規模な実験は、T-GINEEが多層ネットワーク解析に有効であることを検証する。
  論文  参考訳（メタデータ） (2026-05-27T10:51:29Z)
• Sparse Network Inference under Imperfect Detection and its Application to Ecological Networks [2.7065664375961274]
  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。
  論文  参考訳（メタデータ） (2026-04-20T20:41:23Z)
• Matrix Factorization Framework for Community Detection under the Degree-Corrected Block Model [48.989531198582704]
  我々は,DCBM推論を制約付き非負行列分解問題として再定義できることを示した。 我々のアプローチは、任意の特定のネットワーク構造に適応し、DCBMで表現可能な任意の構造を持つグラフに適用する。 合成および実ベンチマークネットワークの実験により,本手法はDCBMの推測に匹敵するコミュニティを検出する。
  論文  参考訳（メタデータ） (2026-01-09T19:16:29Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Interacting Particle Systems on Networks: joint inference of the network and the interaction kernel [8.535430501710712]
  エージェント間の相互作用のルールを決定するネットワークとシステムの重み行列を推論する。 我々は2つのアルゴリズムを使用する: 1つは演算子回帰と呼ばれる新しいアルゴリズムで、最小2乗のデータを交互に更新する。 どちらのアルゴリズムも、識別可能性と適正性を保証するスケーラブルな条件である。
  論文  参考訳（メタデータ） (2024-02-13T12:29:38Z)
• 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)
• Consistency of Spectral Clustering on Hierarchical Stochastic Block Models [5.983753938303726]
  実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。 本手法の強い一貫性を,幅広いモデルパラメータで証明する。 既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
  論文  参考訳（メタデータ） (2020-04-30T01:08:59Z)

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。