Publication

Tomography of Large Adaptive Networks under the Dense Latent Regime

Ali H. Sayed, Augusto José Rabelo Almeida Santos
2018
Conference Papers

Résumé

This work examines the problem of graph learning over a diffusion network when measurements can only be gathered from a limited fraction of agents (latent regime). Under this selling, most works in the literature rely on a degree of sparsity to provide guarantees of consistent graph recovery. This work moves away from this condition and shows that, even under dense connectivity, the Granger estimator ensures an identifiability gap that enables the discrimination between connected and disconnected nodes within the observable subnetwork.

Source officielle

https://infoscience.epfl.ch/entities/publication/b80f76d5-e393-479b-990f-5fef1c16a4a0

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Tomography of Large Adaptive Networks under the Dense Latent Regime

Chattez avec Graph Search

Verification of the Fourier-enhanced 3D finite element Poisson solver of the gyrokinetic full-f code PICLS

Osmosis-driven stiffening of structured hydrogels

Exploring High-Performance and Energy-Efficient Architectures for Edge AI-Enabled Applications