Information processing system, network structure learning device, link strength prediction device, link strength prediction method and program

情報処理システム、ネットワーク構造学習装置、リンク強度予測装置、リンク強度予測方法およびプログラム

Système de traitement d'informations, dispositif d'apprentissage de structure de réseau, dispositif de prédiction de force de liaison, procédé de prédiction de force de liaison et programme

Abstract

L'objectif de la présente invention est d'apprendre les structures d'une pluralité de réseaux avec une précision élevée de manière à prédire des forces de liaison, même dans un cas dans lequel les structures des réseaux individuels diffèrent. Le concept d'un modèle hiérarchique, qui est un type de modèle statistique, est introduit. Ce système d'information, utilisant des données d'apprentissage et des hyper paramètres relatifs à la pluralité de réseaux, génère des séquences d'échantillon sur la base de chaque distribution parmi une distribution a posteriori de chaque variable aléatoire dans un modèle stochastique représentant les structures de réseaux modèles qui doivent devenir des modèles de la pluralité de réseaux dont les structures de réseau doivent être apprises, et une distribution a posteriori de chaque variable aléatoire dans un modèle stochastique représentant les structures de la pluralité de réseaux. Ensuite, le système de traitement d'informations, sur la base de variables externes et des séquences d'échantillon, obtient des valeurs de prédiction pour les forces de liaisons qui ont été spécifiées par les variables externes.
個々のネットワークの構造が異なる場合においても、これら複数のネットワークの構造を精度よく学習し、リンク強度を予測する。統計モデルの一種である階層モデルの概念を導入する。情報処理システムは、複数のネットワークに関する学習データおよび超パラメータを用いて、ネットワーク構造の学習対象の複数のネットワークの雛形となるテンプレートネットワークの構造を表わす確率モデルにおける各確率変数の事後分布と、前記複数のネットワークの構造を表わす確率モデルにおける各確率変数の事後分布と、からそれぞれサンプル列を生成する。次に、情報処理システムは、外的変数と前記サンプル列と、に基づいて、前記外的変数にて指定されたリンクの強度の予測値を求める。
The objective of the present invention is to learn the structures of a plurality of networks with high precision so as to predict link strengths, even in a case in which the structures of the individual networks differ. The concept of a hierarchical model, which is one type of statistical model, is introduced. This information system, using learning data and hyperparameters related to the plurality of networks, generates sample sequences on the basis of each of a posterior distribution of each random variable in a stochastic model representing the structures of template networks which are to become templates of the plurality of networks to be learned for the network structures, and a posterior distribution of each random variable in a stochastic model representing the structures of the plurality of networks. Next, the information processing system, on the basis of external variables and the sample sequences, obtains prediction values for the strengths of links that have been specified by the external variables.

Claims

Description

Topics

Download Full PDF Version (Non-Commercial Use)

Patent Citations (2)

    Publication numberPublication dateAssigneeTitle
    JP-2010250377-ANovember 04, 2010Internatl Business Mach Corp , インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Maschines Corporationリンク予測システム、方法及びプログラム
    WO-2009107412-A1September 03, 2009日本電気株式会社Graph structure estimation apparatus, graph structure estimation method, and program

NO-Patent Citations (3)

    Title
    HISASHI KASHIMA: 'Link Propagation: a semi- supervised approach to link prediction' DAI 73 KAI JINKO CHINO KIHON MONDAI KENKYUKAI SHIRYO 06 March 2009, pages 19 - 24
    HISASHI KASHIMA: 'Survey of Network Structure Prediction Methods' JOURNAL OF JAPANESE SOCIETY FOR ARTIFICIAL INTELLIGENCE vol. 22, no. 3, 01 May 2007, pages 344 - 351
    SAKIKO MORIYASU: 'Link Prediction for Question- Answering Bulletin Boards' TRANSACTIONS OF INFORMATION PROCESSING SOCIETY OF JAPAN, RONBUNSHI TRANSACTIONS HEISEI 20 NENDO 2 vol. 2, no. 1, 15 April 2009, pages 10 - 21

Cited By (0)

    Publication numberPublication dateAssigneeTitle