开放式访问
2020 顶点指定、一致估计和对抗性修改
乔舒亚·阿格特伯格,Youngser公园,乔纳森·拉尔森,克里斯托弗·怀特,凯里·普里贝,文斯·利津斯基
电子。J.统计。 14(2): 3230-3267 (2020). 内政部:10.1214/20-EJS1744

摘要

给定一对图$G{1}$和$G{2}$以及$G{10}$中的一个感兴趣的顶点集,顶点提名(VN)问题寻求在$G{2]$中找到感兴趣的相应顶点(如果它们存在),并生成$G{2%$中顶点的秩表,理想情况下,在$G}2}$中集中感兴趣的对应顶点,排名第一。本文定义并推导了具有多个感兴趣顶点的VN的贝叶斯最优性类比,并定义了顶点提名中最大一致性类的概念。该理论为一种新型VN对抗性污染模型奠定了基础,我们通过实际和模拟数据证明,有一些VN方案在无污染环境中有效执行,对抗性网络污染对我们的VN方案的性能产生了不利影响。我们进一步定义了一种网络正则化方法,用于减轻对抗性污染的影响,并在实际数据和合成数据中证明了正则化的有效性。

引用

下载引文

约书亚·阿特伯格(Joshua Agterberg)。 Youngser公园。 乔纳森·拉尔森。 克里斯托弗·怀特。 凯里·普里贝(Carey E.Priebe)。 文斯·利津斯基(Vince Lyzinski)。 “顶点提名、一致估计和对抗性修改。” 电子。J.统计。 14 (2) 3230 - 3267, 2020 https://doi.org/10.1214/20-EJS1744

问询处

接收日期:2019年7月1日发布日期:2020年
欧几里德项目首次提供:2020年9月8日

zbMATH公司:1448.62087
数学科学网:MR4146361号
数字对象标识符:10.1214/20-EJS1744

学科:
主要用户:62小时99

关键词:对抗性机器学习,网络,随机图,统计学,顶点提名

第14卷•第2期•2020
返回页首