To characterize the "average" of a sample of graphs, one can compute the sample Frechet mean (or median) graph, which provides an interpretable summary of the graph sample. In this paper, we address the following foundational question: does the mean or median graph inherit the structural properties of the graphs in the sample? An important graph property is the edge density. Because sparse graphs provide prototypical models for real networks, one would like to guarantee that the edge density be preserved when computing the sample mean (or median). In this paper, we prove that the edge density is an hereditary property, which can be transmitted from a graph sample to its sample Frechet mean (or median), irrespective of the method used to estimate the mean or the median. Specifically, we prove the following result: the number of edges of the Frechet mean (or median) graph of a set of graphs is bounded by the maximal number of edges amongst all the graphs in the sample. We prove the result for the graph Hamming distance, and the spectral adjacency pseudometric, using very different arguments.


翻译:为了确定图表样本的“平均”特征,人们可以计算Frechet样本平均值(或中位)图,该样本提供了可解释的图表样本摘要。在本文中,我们处理以下基本问题:平均值或中位图是否继承了样本中图表的结构属性?重要的图表属性是边缘密度。由于稀疏图为真实网络提供了原型模型,人们希望在计算样本平均值(或中位数)时保证边缘密度得到保留。在本文中,我们证明边缘密度是一种遗传属性,可以从图表样本中传输到Frechet样本中位数(或中位数),而不论使用何种方法来估计平均值或中位数。具体地说,我们证明以下结果:一组图表的边缘数由样本中所有图表中的最大边缘数(或中位数)所捆绑定。我们用非常不同的论据证明了图表 Hamming 距离的结果,以及光谱的伪数。

1
下载
关闭预览

相关内容

专知会员服务
27+阅读 · 2021年5月2日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
155+阅读 · 2020年5月26日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
图卷积神经网络蒸馏知识,Distillating Knowledge from GCN
专知会员服务
94+阅读 · 2020年3月25日
“CVPR 2020 接受论文列表 1470篇论文都在这了
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年9月24日
$2$-distance $(Δ+2)$-coloring of sparse graphs
Arxiv
0+阅读 · 2021年9月24日
Arxiv
17+阅读 · 2019年3月28日
VIP会员
相关资讯
“CVPR 2020 接受论文列表 1470篇论文都在这了
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员