[論文レビュー] New feature for Complex Network based on Ant Colony Optimization for High Level Classification.

Josimar Edinson Chire Saire|arXiv (Cornell University)|Aug 29, 2020

Neural Networks and Applications参考文献 12被引用数 5

ひとこと要約

本稿では、分類性能を向上させるために、アンチコロニー最適化（ACO）にインspiredされたアプローチを用いて、複雑ネットワークのための新規ハイレベル特徴量を提案する。ACOに基づく経路探索を用いてネットワークアーキテクチャをモデル化することで、クラスの違いに感受性を示す構造的パターンを捉え、従来の局所的およびグローバル特徴量と比較して顕著に分類精度を向上させる。

ABSTRACT

Low level classification extracts features from the elements, i.e. physical to use them to train a model for a later classification. High level classification uses high level features, the existent patterns, relationship between the data and combines low and high level features for classification. High Level features can be got from Complex Network created over the data. Local and global features are used to describe the structure of a Complex Network, i.e. Average Neighbor Degree, Average Clustering. The present work proposed a novel feature to describe the architecture of the Network following a Ant Colony System approach. The experiments shows the advantage of using this feature because the sensibility with data of different classes.

研究の動機と目的

• 標準的な局所的およびグローバル指標を超える構造的パターンを捉える、複雑ネットワークのための新しいハイレベル特徴量の開発を目的とする。
• 既存の低レベルおよびハイレベル特徴量と統合することで、分類性能の向上を図ることを目的とする。
• 複雑ネットワークに基づく分類において、提案された特徴量が異なるクラスのデータに対してどの程度感受性を示すかを評価することを目的とする。
• 複雑ネットワーク解析における分類タスクにおいて、ACOにインspiredされた構造的特徴量の利点を示すこと

提案手法

• 本手法は、アンチコロニーシステム（ACS）を用いてネットワークアーキテクチャをモデル化し、ノード間を通過するフェロモンに基づく経路選択をシミュレートする。
• アリはノードの接続性およびフェロモン濃度に従ってネットワークを移動し、フェロモンの更新は経路の頻度と品質を反映する。
• 特徴量は、アリが通過した経路の分布および密度から得られ、それらが発生する構造的パターンを表す。
• 提案された特徴量は、標準的な局所的特徴量（例：平均近傍次数）およびグローバル特徴量（例：平均クラスタリング係数）と組み合わせられる。
• 統合された特徴量セットを用いて、ハイレベル分類タスクの分類器を訓練する。
• フェロモン分布の安定化と頑健な構造的表現の抽出を図るため、ACOプロセスを繰り返し実行する。

実験結果

リサーチクエスチョン

• RQ1 アンチコロニー最適化（ACO）アプローチをどのようにして複雑ネットワークからの意味のある構造的特徴量を抽出するために適応できるか？
• RQ2 提案されたACOベースの特徴量は、従来のネットワーク指標と比較して、異なるデータクラスに対して分類感受性が向上するか？
• RQ3 従来の局所的およびグローバル特徴量と組み合わせた場合、ACO由来の特徴量がハイレベル分類において果たす貢献は何か？
• RQ4 ACOベースの特徴量は、分類に対してより判別性の高い潜在的構造的パターンを捉えることができるか？

主な発見

• 提案されたACOベースの特徴量は、複雑ネットワークにおけるクラスに感受性のある構造的パターンを捉えることで、分類性能を向上させる。
• 従来の局所的およびグローバル特徴量と比較して、異なるクラスのデータに対してより高い感受性を示す。
• ACO由来の特徴量を既存の特徴量と統合することで、分類精度が向上する。
• 本手法は、適応的経路探索を用いてネットワークアーキテクチャを効果的にモデル化し、隠れた構造的関係を明らかにする。
• 実験により、ACOベースの特徴量が、ハイレベル分類における標準的ネットワーク指標に対する意味のある補完的役割を果たすことが確認された。