論文の概要: Novel Machine Learning Algorithms for Centrality and Cliques Detection in Youtube Social Networks

• arxiv url: http://arxiv.org/abs/2002.03893v1
• Date: Mon, 10 Feb 2020 16:05:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 08:28:03.852362
• Title: Novel Machine Learning Algorithms for Centrality and Cliques Detection in Youtube Social Networks
• Title（参考訳）: youtubeソーシャルネットワークにおける新しい機械学習アルゴリズムによる集中性とクランクの検出
• Authors: Craigory Coppola, Heba Elgazzar
• Abstract要約: 本研究プロジェクトは、機械学習技術を用いて、ソーシャルネットワークのダイナミクスを分析することを目的とする。 ブロン・ケルボッシュアルゴリズムは, 最大傾きの探索に有効である。 実験結果から,中央ノードの集中度と緯度集中度を両立させることで,中央ノードの発見に成功した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of this research project is to analyze the dynamics of social networks using machine learning techniques to locate maximal cliques and to find clusters for the purpose of identifying a target demographic. Unsupervised machine learning techniques are designed and implemented in this project to analyze a dataset from YouTube to discover communities in the social network and find central nodes. Different clustering algorithms are implemented and applied to the YouTube dataset. The well-known Bron-Kerbosch algorithm is used effectively in this research to find maximal cliques. The results obtained from this research could be used for advertising purposes and for building smart recommendation systems. All algorithms were implemented using Python programming language. The experimental results show that we were able to successfully find central nodes through clique-centrality and degree centrality. By utilizing clique detection algorithms, the research shown how machine learning algorithms can detect close knit groups within a larger network.
• Abstract（参考訳）: この研究プロジェクトの目標は、機械学習技術を用いてソーシャルネットワークのダイナミクスを分析し、最大のクライクを見つけ、ターゲット層を特定するためにクラスタを見つけることである。 このプロジェクトでは、YouTubeからのデータセットを分析し、ソーシャルネットワーク内のコミュニティを発見し、中央ノードを見つけるために、教師なしの機械学習技術が設計され実装されている。 異なるクラスタリングアルゴリズムが実装され、YouTubeデータセットに適用される。 有名なbron-kerboschアルゴリズムは、この研究で最大クランクを見つけるために効果的に使われている。 この研究から得られた結果は、広告目的やスマートレコメンデーションシステムの構築に利用することができる。 アルゴリズムはすべてpythonで実装された。 実験の結果,クライク集中度と次数集中度により,中央ノードの探索に成功していることがわかった。 この研究は斜め検出アルゴリズムを利用して、機械学習アルゴリズムがより大きなネットワーク内のクローズドニットグループを検出する方法を示した。

関連論文リスト

• Enhancing Community Detection in Networks: A Comparative Analysis of Local Metrics and Hierarchical Algorithms [49.1574468325115]
  本研究は,地域間類似度指標を用いた地域検出の関連性を評価するために,同じ手法を用いている。 これらの指標の有効性は,異なるコミュニティサイズを持つ複数の実ネットワークにベースアルゴリズムを適用して評価した。
  論文  参考訳（メタデータ） (2024-08-17T02:17:09Z)
• From Decoding to Meta-Generation: Inference-time Algorithms for Large Language Models [63.188607839223046]
  この調査は、推論中に計算をスケールするメリットに焦点を当てている。 我々はトークンレベルの生成アルゴリズム、メタジェネレーションアルゴリズム、効率的な生成という3つの領域を統一的な数学的定式化の下で探索する。
  論文  参考訳（メタデータ） (2024-06-24T17:45:59Z)
• A Rapid Review of Clustering Algorithms [5.46715422237599]
  クラスタリングアルゴリズムは、データ内の固有のパターンと類似性に基づいて、データをグループまたはクラスタにまとめることを目的としている。 それらは、マーケティングやeコマース、ヘルスケア、データ組織と分析、ソーシャルメディアなど、今日の生活において重要な役割を担っている。 既存のクラスタリングアルゴリズムを分析し、5つの異なる次元で主要なアルゴリズムを分類した。
  論文  参考訳（メタデータ） (2024-01-14T23:19:53Z)
• Open-Set Automatic Target Recognition [52.27048031302509]
  オートマチックターゲット認識(Automatic Target Recognition、ATR)は、異なるセンサーから取得したデータに基づいてターゲットを認識しようとするコンピュータビジョンアルゴリズムのカテゴリである。 既存のATRアルゴリズムは、トレーニングとテストが同じクラス分布を持つ従来のクローズドセット手法向けに開発されている。 ATRアルゴリズムのオープンセット認識機能を実現するためのオープンセット自動ターゲット認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-10T21:28:24Z)
• The CLRS Algorithmic Reasoning Benchmark [28.789225199559834]
  アルゴリズムの学習表現は機械学習の新たな領域であり、ニューラルネットワークから古典的なアルゴリズムで概念をブリッジしようとしている。 本稿では,従来のアルゴリズムを包括するCLRS Algorithmic Reasoning Benchmarkを提案する。 我々のベンチマークは、ソート、探索、動的プログラミング、グラフアルゴリズム、文字列アルゴリズム、幾何アルゴリズムなど、様々なアルゴリズムの推論手順にまたがっている。
  論文  参考訳（メタデータ） (2022-05-31T09:56:44Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• DAC: Deep Autoencoder-based Clustering, a General Deep Learning Framework of Representation Learning [0.0]
  dac,deep autoencoder-based clustering,深層ニューロンネットワークを用いてクラスタリング表現を学ぶためのデータ駆動フレームワークを提案する。 実験結果から,KMeansクラスタリングアルゴリズムの性能をさまざまなデータセット上で効果的に向上させることができた。
  論文  参考訳（メタデータ） (2021-02-15T11:31:00Z)
• Community detection in networks using graph embeddings [0.615738282053772]
  ベンチマークグラフ上のコミュニティを検出するために,いくつかのグラフ埋め込み手法をテストした。 埋め込み手法のパラメータが好適に選択された場合、性能は同等である。 この発見は、ネットワークを埋め込み、ポイントをグループ化する高い計算コストとともに、コミュニティ検出において、現在の埋め込み技術はネットワーククラスタリングアルゴリズムよりも改善されたものではないことを示唆している。
  論文  参考訳（メタデータ） (2020-09-11T07:49:21Z)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)
• Flow-based Algorithms for Improving Clusters: A Unifying Framework, Software, and Performance [0.0]
  グラフ内のベクトル空間やノードのクラスタリングポイントは、統計データ解析においてユビキタスプリミティブである。 このクラスタ改善問題に対するアルゴリズムの原則に着目する。 ローカルGraphClustering Pythonパッケージでこれらのアルゴリズムの効率的な実装を開発します。
  論文  参考訳（メタデータ） (2020-04-20T20:14:00Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。