論文の概要: Robust Hypergraph Clustering via Convex Relaxation of Truncated MLE

• arxiv url: http://arxiv.org/abs/2003.10038v3
• Date: Mon, 16 Nov 2020 04:52:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 23:51:22.789423
• Title: Robust Hypergraph Clustering via Convex Relaxation of Truncated MLE
• Title（参考訳）: 縮合MLEの凸緩和によるロバストハイパーグラフクラスタリング
• Authors: Jeonghwan Lee, Daesung Kim and Hye Won Chung
• Abstract要約: 重み付き$d$uniformハイパーグラフブロックモデル(d$textsf-WHSBM)におけるハイパーグラフクラスタリングの研究 我々は、textsfCRTMLEと呼ばれる新しいハイパーグラフクラスタリングアルゴリズムを提案し、その性能保証を、一般的なパラメータ規則に対して$d$textsf-WHSBMで提供する。
• 参考スコア（独自算出の注目度）: 12.805268849262246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study hypergraph clustering in the weighted $d$-uniform hypergraph stochastic block model ($d$\textsf{-WHSBM}), where each edge consisting of $d$ nodes from the same community has higher expected weight than the edges consisting of nodes from different communities. We propose a new hypergraph clustering algorithm, called \textsf{CRTMLE}, and provide its performance guarantee under the $d$\textsf{-WHSBM} for general parameter regimes. We show that the proposed method achieves the order-wise optimal or the best existing results for approximately balanced community sizes. Moreover, our results settle the first recovery guarantees for growing number of clusters of unbalanced sizes. Involving theoretical analysis and empirical results, we demonstrate the robustness of our algorithm against the unbalancedness of community sizes or the presence of outlier nodes.
• Abstract（参考訳）: 重み付き$d$-uniformハイパーグラフ確率ブロックモデル(d$\textsf{-WHSBM})におけるハイパーグラフクラスタリングについて検討した。 本稿では,新しいハイパーグラフクラスタリングアルゴリズムである \textsf{CRTMLE} を提案し,その性能保証を一般パラメータ規則に対して$d$\textsf{-WHSBM} で提供する。 提案手法は, ほぼバランスの取れたコミュニティサイズに対して, オーダーワイズ最適あるいは最良の既存結果が得られることを示す。 さらに,不均衡サイズのクラスタ数の増加に対する第1の回復保証を解消した。 理論解析と実験結果を用いて,コミュニティサイズの不均衡や異常ノードの存在に対するアルゴリズムの頑健性を示す。

関連論文リスト

• Graph Sparsification via Mixture of Graphs [67.40204130771967]
  そこで我々はMixture-of-Graphs (MoG)を導入し、各ノードに対して動的に調整されたプルーニングソリューションを選択する。 MoGには複数のスパシファイアの専門家が組み込まれており、それぞれが独自のスパーシリティレベルとプルーニング基準によって特徴付けられ、各ノードに対して適切な専門家を選択する。 5つのGNNを備えた4つの大規模OGBデータセットと2つのスーパーピクセルデータセットの実験により、MoGはより高い空間レベルのサブグラフを識別することを示した。
  論文  参考訳（メタデータ） (2024-05-23T07:40:21Z)
• Combinatorial Stochastic-Greedy Bandit [79.1700188160944]
  我々は,選択した$n$のアームセットのジョイント報酬以外の余分な情報が観測されない場合に,マルチアームのバンディット問題に対する新規グリーディ・バンディット(SGB)アルゴリズムを提案する。 SGBは最適化された拡張型コミットアプローチを採用しており、ベースアームの大きなセットを持つシナリオ用に特別に設計されている。
  論文  参考訳（メタデータ） (2023-12-13T11:08:25Z)
• Heteroskedastic Tensor Clustering [20.979358557219953]
  我々は、$mathsfHightext-orderHeteroClustering$$mathsfHHC$という2段階の手法を提案する。 まず、$mathsfThresholdedDeflatedtext-HeteroPCA$と呼ばれる新しいスペクトルアルゴリズムを使ってテンソル部分空間の推定を行い、続いてクラスタノードを取得するためにおよそ$k$-meansを実行する。 我々のアルゴリズムは、SNRが計算限界を超える限り、正確なクラスタリングを確実に達成する。
  論文  参考訳（メタデータ） (2023-11-04T02:50:40Z)
• Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
  観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。 本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Dink-Net: Neural Clustering on Large Graphs [59.10189693120368]
  ディープグラフクラスタリング法 (Dink-Net) は, 拡張と縮小という概念を用いて提案される。 ノードを識別することにより、拡張によって劣化しても、表現は自己教師された方法で学習される。 クラスタリング分布は、提案したクラスタ拡張損失とクラスタ縮小損失を最小化することにより最適化される。 ランナアップと比較して、Dink-Net 9.62%は1100万ノードと16億エッジを持つogbn-papers100MデータセットでNMIの改善を実現している。
  論文  参考訳（メタデータ） (2023-05-28T15:33:24Z)
• Recovering Unbalanced Communities in the Stochastic Block Model With Application to Clustering with a Faulty Oracle [9.578056676899203]
  オラクルブロックモデル(英: Oracle block model、SBM)は、ネットワークにおけるグラフクラスタリングやコミュニティ検出を研究するための基礎モデルである。 我々は,SBMのコミュニティを様々な大きさのコミュニティで復元する,シンプルなSVDベースのアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2022-02-17T08:51:19Z)
• Partial recovery and weak consistency in the non-uniform hypergraph Stochastic Block Model [6.681901523019242]
  非一様ハイパーグラフブロックモデル(HSBM)に基づくランダムハイパーグラフにおけるコミュニティ検出問題の検討 我々は,少なくとも$gamma$分の頂点を正しく分類した分割を出力するスペクトルアルゴリズムを提案し,$gammainはモデルの信号-雑音比(SNR)に依存する。 このアルゴリズムの理論的解析は、非一様ランダムハイパーグラフに対する隣接行列の濃度と正規化に依存しており、これは独立な関心を持つことができる。
  論文  参考訳（メタデータ） (2021-12-22T05:38:33Z)
• Exact Recovery in the General Hypergraph Stochastic Block Model [92.28929858529679]
  本稿では,d-uniform hypergraph block model(d-HSBM)の正確な回復の基本的な限界について検討する。 精度の高いしきい値が存在し、正確な回復がしきい値の上に達成でき、その下には不可能であることを示す。
  論文  参考訳（メタデータ） (2021-05-11T03:39:08Z)
• Regularized spectral methods for clustering signed networks [7.547306670351599]
  署名付きグラフにおける$k$-wayクラスタリングの問題について検討する。 我々は,SPONGE と Signed Laplacian の正規化バージョンに対して,[CDGT 2019] の2つの面で結果に基づいて構築する。
  論文  参考訳（メタデータ） (2020-11-03T14:40:34Z)
• Computationally efficient sparse clustering [67.95910835079825]
  我々はPCAに基づく新しいクラスタリングアルゴリズムの有限サンプル解析を行う。 ここでは,ミニマックス最適誤クラスタ化率を,体制$|theta infty$で達成することを示す。
  論文  参考訳（メタデータ） (2020-05-21T17:51:30Z)

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。