文献

J-GLOBAL ID：201702263027806208   整理番号：17A0755496

社会グラフのためのスケールアップMarkov論理確率的推論【Powered by NICT】

Scaling Up Markov Logic Probabilistic Inference for Social Graphs

著者 (5件)： Chen Haiquan (Department of Computer Science, Valdosta State University, Valdosta, GA) ,  Ku Wei-Shinn (Department of Computer Science and Software Engineering, Auburn University, Auburn, AL) ,  Wang Haixun (Google Research, 1600 Amphitheater Parkway, Mountain View, CA) ,  Tang Liang (Department of Computer Science and Software Engineering, Auburn University, Auburn, AL) ,  Sun Min-Te (Department of Computer Science and Information Engineering, National Central University, Taoyuan, Taiwan (R.O.C.))
資料名： IEEE Transactions on Knowledge and Data Engineering  (IEEE Transactions on Knowledge and Data Engineering)
巻： 29  号： 2  ページ： 433-445  発行年： 2017年 
JST資料番号： T0838A  ISSN： 1041-4347  CODEN： ITKEEH  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： リンク予測は,ソーシャルネットワーク分析において基本的な問題である。リンク予測問題は新しいものではないが,ネットワーク構造データとノード属性データのような,種々の既存のネットワーク情報を利用する大きな社会ネットワークのためのAI式知識推論を可能にするための課題は未解決のままである。本論文では,Markov論理ネットワーク(MLN)を用いた知識推論としてのリンク予測を処理するスケーラブルなフレームワークを設計し,実装した。他の確率的グラフィカルモデルとは異なり,MLNはサイクルと長距離(非隣接)依存性,が必須であるとソーシャルネットワークにおけるaboundと無向関係を可能にした。著者等のフレームワークでは,事前知識は推論規則の観点から構造依存性(友情のような)と属性依存性(社会的コミュニティなど),確率として表現される不確実性に関連したとして捕捉した。次に,ランダムウォーク推論部分グラフ,確率推論を行うを発見することを採用し,必要な計算とストレージコストは推論精度の犠牲なしに大きく減少することができた。実世界データセットを用いた広範な実験は二種の基本的方法に対する筆者らの提案アプローチの優位性を検証し,この手法が推論精度および効率性の間の調整可能なトレードオフを提供できることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 不確実性 ,  ネットワーク構造 ,  酔歩 ,  *ネットワーク ,  部分グラフ ,  予測 ,  確率推論
準シソーラス用語： 構造依存性 ,  推論規則 ,  事前知識 ,  確率的グラフィカルモデル ,  論理ネットワーク ,  社会的ネットワーク ,  ソーシャルネットワーク分析 ,  *確率的推論 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 社会 ,  グラフ ,  スケールアップ ,  論理 ,  確率的推論