文件名称：隐式格式的MATLAB代码-InfinityMirrorGCT:无限镜像比较测试
文件大小：13.07MB
文件格式：ZIP
更新时间：2024-06-11 01:42:20
系统开源
隐式格式的MATLAB代码无限镜测试 在选择图生成器以构建合成（或近似）图时，如何评估生成器生成保留一个或多个特定网络属性的图的有用性或有效性？ 使用无限反射镜测试。 论文 这是在2016年8月14日于加利福尼亚州旧金山与KDD'16联合举行的MLG201上简短介绍的。 抽象的 图生成器从源图学习模型，以生成具有许多相同属性的新图。 所学习的模型均内置有隐性和显性偏差，了解生成新图时所做的假设非常重要。 当然，与任何数量的图属性相比，新图和原始图之间的差异是任何模范任务固有的偏差的重要指标。 但是，使用标准性能指标，这些关键差异是微妙的，并且不会立即显现。 因此，我们介绍了用于分析图生成器性能和鲁棒性的无穷镜像测试。 该压力测试通过反复递归拟合自身模型来进行。 完美的图生成器不会与原始图或理想图发生偏差，但是无穷大的镜像测试会放大各种模型中隐含的偏见和假设，从而提供以前无法获得的新见解。 通过对6个现实世界图进行的大量实验，我们证明了几种常见的图生成器确实以有趣且信息丰富的方式退化了。 我们认为，观察到的退化模式是将来开发更好的图形模型的线索。 依存关系 该代码与Python 2.7配
【文件预览】：
InfinityMirrorGCT-master
----bters.py(12KB)
----bin()
--------macos()
--------krongen(4.23MB)
--------kronfit(4.25MB)
--------linux()
----bterpill.m(2KB)
----inf_mirror_mlg2016_poster.pdf(3.46MB)
----InfMirrTst_backup.ipynb(126KB)
----edgelist2mtx.py(495B)
----InfinityMirrorTestsOnNetworksModels.ipynb(71KB)
----.gitignore(6B)
----net_metrics.py(51KB)
----README.md(3KB)