文献

J-GLOBAL ID：201902272819733739   整理番号：19A0515325

ネットワークにおけるノード情報の共役による非パラメトリック関係モデルの学習【JST・京大機械翻訳】

Learning Nonparametric Relational Models by Conjugately Incorporating Node Information in a Network

著者 (4件)： Fan Xuhui (Faculty of Engineering and Information Technology, University of Technology Sydney, Chippendale, Australia) ,  Xu Richard Yi Da (Faculty of Engineering and Information Technology, University of Technology Sydney, Chippendale, Australia) ,  Cao Longbing (Advanced Analytics Institute, Faculty of Engineering and Information Technology, University of Technology Sydney, Chippendale, Australia) ,  Song Yin (Brandscreen, Sydney, Australia)
資料名： IEEE Transactions on Cybernetics  (IEEE Transactions on Cybernetics)
巻： 47  号： 3  ページ： 589-599  発行年： 2017年 
JST資料番号： W0791A  ISSN： 2168-2267  CODEN： ITCEB8  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： 関係モデル学習は多数の実用化に有用である。近年,多くのアルゴリズムがこの重要な課題に取り組むために提案されている。既存のアルゴリズムは,隠れたネットワーク構造を回復するために二値方向リンクデータだけを利用する。しかし,1つが(そして,)利用できるネットワークの他の部分には,はるかに豊富でより意味のある情報が存在する。それぞれのノードに関連する属性は,例えば,ネットワークにおける基礎となる関係を理解するために重要な情報を含んでいる。この理由のために,本論文では,2つのモデルとそれらの解を提案した。すなわち,ノード情報には,追加ノード情報を系統的に組み込む努力において,混合メンバシップモデルとノード情報に含まれる待ち時間特徴モデルを含んでいる。この目的を効果的に達成するために,ノード情報を用いてスティック破壊プロセスの個々のスティックを生成した。この方法では,事前にコミュニティ数を推定する必要性を避けるだけでなく,アルゴリズムは類似情報を示すノードが同じコミュニティメンバシップを割り当てるより高い機会を持つことを奨励する。これらのモデルの妥当性と効率を達成するために,共役剤の使用を含む実質的な努力がなされている。本フレームワークとその推論アルゴリズムを実世界のデータセットを用いて評価し,陰的ネットワーク構造の獲得における著者らのモデルの一般性と有効性を示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： コミュニティ ,  有効性 ,  *ネットワーク ,  *共役 ,  船舶 ,  普遍性 ,  待ち時間 ,  ネットワーク構造 ,  アルゴリズム
準シソーラス用語： 破壊過程 ,  リンクデータ ,  モデル学習 , 【Automatic Indexing@JST】

分類 (4件)： システム・制御理論一般  (IA02010H) ,  人工知能  (JE08000Z) ,  分子・遺伝情報処理  (JE15040B) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： ノード ,  共役 ,  モデル ,  学習