Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Modularity of the ABCD Random Graph Model with Community Structure Kapitel lesen Erstes Kapitel lesen

2023 | OriginalPaper | Buchkapitel

Learning Attribute Distributions Through Random Walks

verfasst von : Nelson Antunes, Shankar Bhamidi, Vladas Pipiras

Erschienen in: Complex Networks and Their Applications XI

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We investigate the statistical learning of nodal attribute distributions in homophily networks using random walks. Attributes can be discrete or continuous. A generalization of various existing canonical models, based on preferential attachment is studied, where new nodes form connections dependent on both their attribute values and popularity as measured by degree. We consider several canonical attribute agnostic sampling schemes such as Metropolis-Hasting random walk, versions of node2vec (Grover and Leskovec 2016) that incorporate both classical random walk and non-backtracking propensities and propose new variants which use attribute information in addition to topological information to explore the network. The performance of such algorithms is studied on both synthetic networks and real world systems, and its dependence on the degree of homophily, or absence thereof, is assessed.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Modularity of the ABCD Random Graph Model with Community Structure
Nächstes Kapitel A More Powerful Heuristic for Balancing an Unbalanced Graph
Fußnoten
Literatur
1.
2.
Alon, N., Benjamini, I., Lubetzky, E., Sodin, S.: Non-backtracking random walks mix faster. Commun. Contempor. Math. 09(04), 585–603 (2007)CrossRefMATH
3.
Antunes, N., Bhamidi, S., Guo, T., Pipiras, V., Wang, B.: Sampling based estimation of in-degree distribution for directed complex networks. J. Comput. Graph. Stat. 30(4), 863–876 (2021)CrossRefMATH
4.
Antunes, N., Guo, T., Pipiras, V.: Sampling methods and estimation of triangle count distributions in large networks. Netw. Sci. 9(S1), S134–S156 (2021)CrossRef
5.
Barabási, A.-L., Albert, R.: Emergence of scaling in random networks. Science 286(5439), 509–512 (1999)
6.
Baroni, A., Conte, A., Patrignani, M., Ruggieri, S.: Efficiently clustering very large attributed graphs. In: 2017 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), pp. 369–376 (2017)
7.
Bianconi, G., Barabási, A.-L.: Bose-Einstein condensation in complex networks. Phys. Rev. Lett. 86(24), 5632 (2001)CrossRef
8.
Chang, C.-H., Chang, C.-S., Chang, C.-T., Lee, D.-S., Lu, P.-E.: Exponentially twisted sampling for centrality analysis and community detection in attributed networks. IEEE Trans. Netw. Sci. Eng. 6(4), 684–697 (2019)CrossRef
9.
de Almeida, M.L., Mendes, G.A., Madras Viswanathan, G., da Silva, L.R.: Scale-free homophilic network. Euro. Phys. J. B 86(2), 38 (2013)
10.
Fan, H., Zhong, Y., Zeng, G., Sun, L.: Attributed network representation learning via improved graph attention with robust negative sampling. Appl. Intell. 51(1), 416–426 (2021)CrossRef
11.
Flaxman, A.D., Frieze, A.M., Vera, J.: A geometric preferential attachment model of networks II. Internet Math. 4(1), 87–111 (2007)CrossRefMATH
12.
Grover, A., Leskovec, J.: Node2vec: scalable feature learning for networks. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’16, pp. 855–864. Association for Computing Machinery, New York, NY, USA (2016)
13.
Jordan, J.: Geometric preferential attachment in non-uniform metric spaces. Electron. J. Probab. 18, 1–15 (2013)CrossRefMATH
14.
Karimi, F., Génois, M., Wagner, C., Singer, P., Strohmaier, M.: Homophily influences ranking of minorities in social networks. Sci. Rep. 8(1), 11077 (2018)CrossRef
15.
Kolaczyk, E.D.: Statistical Analysis of Network Data. Springer Series in Statistics (2009)
16.
Krapivsky, P.L., Redner, S.: Organization of growing random networks. Phys. Rev. E 63(6), 066123 (2001)CrossRef
17.
Lee, D.J.L., Han, J., Chambourova, D., Kumar, R.: Identifying fashion accounts in social networks. In: In Proceedings of the KDD Workshop on ML Meets Fashion (2017)
18.
McPherson, M., Smith-Lovin, L., Cook, J.M.: Birds of a feather: homophily in social networks. Ann. Rev. Sociol. 27(1), 415–444 (2001)CrossRef
19.
Meng, L., Masuda, N.: Analysis of node2vec random walks on networks. Proc. R. Soc. A Math. Phys. Eng. Sci. 476(2243), 20200447 (2020)MATH
20.
Mislove, A., Viswanath, B., Gummadi, K.P., Druschel, P.: You are who you know: inferring user profiles in online social networks. In: Proceedings of the Third ACM International Conference on Web Search and Data Mining, pp. 251–260 (2010)
21.
Park, J., Barabási, A.-L.: Distribution of node characteristics in complex networks. Proc. Nat. Acad. Sci 104(46), 17916–17920 (2007)CrossRef
22.
Shrum, W., Cheek, Jr., N.H., MacD, S.: Friendship in school: gender and racial homophily. In: Sociology of Education, pp. 227–239 (1988)
23.
Wagner, C., Singer, P., Karimi, F., Pfeffer, J., Strohmaier, M.: Sampling from social networks with attributes. In: Proceedings of the 26th International Conference on World Wide Web, WWW’17, pp. 1181–1190. Republic and Canton of Geneva, CHE (2017)
24.
Yang, H., Xiong, W., Zhang, X., Wang, K., Tian, M.: Penalized homophily latent space models for directed scale-free networks. PLoS One 16(8), e0253873 (2021)CrossRef
Metadaten
Titel
Learning Attribute Distributions Through Random Walks
verfasst von
Nelson Antunes
Shankar Bhamidi
Vladas Pipiras
Copyright-Jahr
2023
Buch
Complex Networks and Their Applications XI

Print ISBN: 978-3-031-21130-0

Electronic ISBN: 978-3-031-21131-7

Copyright-Jahr: 2023

DOI
https://doi.org/10.1007/978-3-031-21131-7_2

Premium Partner

    Bildnachweise