論文の概要: Incorporating User's Preference into Attributed Graph Clustering

• arxiv url: http://arxiv.org/abs/2003.11079v1
• Date: Tue, 24 Mar 2020 19:07:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 08:41:33.309529
• Title: Incorporating User's Preference into Attributed Graph Clustering
• Title（参考訳）: 属性グラフクラスタリングにユーザの好みを組み込む
• Authors: Wei Ye, Dominik Mautz, Christian Boehm, Ambuj Singh, Claudia Plant
• Abstract要約: 局所クラスタに対して,グラフ一様性(GU)と属性一様性(AU)の2つの品質尺度を提案する。 LOCLUによって検出された局所クラスタは、関心領域に集中し、グラフ内の効率的な情報フローを提供し、指定された属性のサブ空間に一様データ分布を示す。
• 参考スコア（独自算出の注目度）: 14.082520165369885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph clustering has been studied extensively on both plain graphs and attributed graphs. However, all these methods need to partition the whole graph to find cluster structures. Sometimes, based on domain knowledge, people may have information about a specific target region in the graph and only want to find a single cluster concentrated on this local region. Such a task is called local clustering. In contrast to global clustering, local clustering aims to find only one cluster that is concentrating on the given seed vertex (and also on the designated attributes for attributed graphs). Currently, very few methods can deal with this kind of task. To this end, we propose two quality measures for a local cluster: Graph Unimodality (GU) and Attribute Unimodality (AU). The former measures the homogeneity of the graph structure while the latter measures the homogeneity of the subspace that is composed of the designated attributes. We call their linear combination as Compactness. Further, we propose LOCLU to optimize the Compactness score. The local cluster detected by LOCLU concentrates on the region of interest, provides efficient information flow in the graph and exhibits a unimodal data distribution in the subspace of the designated attributes.
• Abstract（参考訳）: グラフクラスタリングは、プレーングラフと属性グラフの両方で広く研究されている。 しかしながら、これらのメソッドはすべて、クラスタ構造を見つけるためにグラフ全体を分割する必要がある。 時々、ドメインの知識に基づいて、人々はグラフ内の特定のターゲット領域に関する情報を持っており、このローカル領域に集中した単一のクラスタを見つけたいだけである。 このようなタスクをローカルクラスタリングと呼ぶ。 グローバルクラスタリングとは対照的に、局所クラスタリングは、与えられたシード頂点(および属性グラフの指定された属性)に集中している1つのクラスタのみを見つけることを目的としている。 現在、この種のタスクを処理できるメソッドはごくわずかです。 この目的のために,局所クラスタに対してグラフユニモダリティ(gu)と属性ユニモダリティ(au)という2つの品質尺度を提案する。 前者はグラフ構造の相同性を測定し、後者は指定された属性からなる部分空間の相同性を測定する。 線形結合をコンパクト性と呼ぶ。 さらに,コンパクト度スコアを最適化するためにLOCLUを提案する。 locluが検出したローカルクラスタは、関心領域に集中し、グラフ内の効率的な情報フローを提供し、指定された属性のサブスペースにユニモーダルデータ分布を示す。

関連論文リスト

• Clustering Based on Density Propagation and Subcluster Merging [92.15924057172195]
  本稿では,クラスタ数を自動的に決定し,データ空間とグラフ空間の両方に適用可能な密度に基づくノードクラスタリング手法を提案する。 二つのノード間の距離を計算する従来の密度クラスタリング法とは異なり,提案手法は伝播過程を通じて密度を決定する。
  論文  参考訳（メタデータ） (2024-11-04T04:09:36Z)
• Learning Uniform Clusters on Hypersphere for Deep Graph-level Clustering [25.350054742471816]
  我々はUDGC(Uniform Deep Graph Clustering)と呼ばれる新しいディープグラフレベルのクラスタリング手法を提案する。 UDGCはインスタンスを異なるクラスタに均等に割り当て、次にこれらのクラスタをユニットハイパースフィア上に分散させ、より均一なクラスタレベルの分散と、より小さなクラスタ崩壊につながる。 8つのよく知られたデータセットに関する実証研究は、UDGCが最先端のモデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2023-11-23T12:08:20Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Graph-based Semi-supervised Local Clustering with Few Labeled Nodes [6.493238575291165]
  局所クラスタリングは、グラフ構造全体を知る必要なく、グラフ内の局所構造を抽出することを目的としている。 少数のラベル付きノードを用いた半教師付き局所クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-20T22:55:07Z)
• Local Motif Clustering via (Hyper)Graph Partitioning [1.9121961872220465]
  我々は,シードノード周辺のモチーフ分布を表すハイパーグラフとグラフモデルを構築した。 我々は、(ハイパー)グラフ用に設計された洗練されたアルゴリズムを用いて、これらのモデルを解く。 提案アルゴリズムは,最先端ツールMAPPRによって計算されたコミュニティと比較して,平均で3分の1のモチーフコンダクタンス値を持つコミュニティを演算する。
  論文  参考訳（メタデータ） (2022-05-11T12:16:01Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• Git: Clustering Based on Graph of Intensity Topology [25.679620842010422]
  我々は、新しいクラスタリングアルゴリズムGIT(textbfIntensity textbfTopologyのtextbfGraphに基づくクラスタリング)を提案する。 高速な局所クラスタ検出、堅牢なトポグラフの構築、エッジカットにより、GITは魅力的なARISE性能を示す。
  論文  参考訳（メタデータ） (2021-10-04T09:29:43Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。