論文の概要: Community Detection Clustering via Gumbel Softmax

• arxiv url: http://arxiv.org/abs/2005.02372v2
• Date: Tue, 12 May 2020 03:04:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 13:51:09.403584
• Title: Community Detection Clustering via Gumbel Softmax
• Title（参考訳）: Gumbel Softmaxによるコミュニティ検出クラスタリング
• Authors: Deepak Bhaskar Acharya, Huaming Zhang
• Abstract要約: 本稿では,様々なグラフデータセットのノードをクラスタリングするコミュニティ検出手法を提案する。 ネットワーク内のノード間の相互作用をモデル化する深層学習の役割は、グラフネットワーク分析に関連する科学の分野に革命をもたらす。
• 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: Recently, in many systems such as speech recognition and visual processing, deep learning has been widely implemented. In this research, we are exploring the possibility of using deep learning in community detection among the graph datasets. Graphs have gained growing traction in different fields, including social networks, information graphs, the recommender system, and also life sciences. In this paper, we propose a method of community detection clustering the nodes of various graph datasets. We cluster different category datasets that belong to Affiliation networks, Animal networks, Human contact networks, Human social networks, Miscellaneous networks. The deep learning role in modeling the interaction between nodes in a network allows a revolution in the field of science relevant to graph network analysis. In this paper, we extend the gumbel softmax approach to graph network clustering. The experimental findings on specific graph datasets reveal that the new approach outperforms traditional clustering significantly, which strongly shows the efficacy of deep learning in graph community detection clustering. We do a series of experiments on our graph clustering algorithm, using various datasets: Zachary karate club, Highland Tribe, Train bombing, American Revolution, Dolphins, Zebra, Windsurfers, Les Mis\'erables, Political books.
• Abstract（参考訳）: 近年,音声認識や視覚処理など多くのシステムにおいて,ディープラーニングが広く採用されている。 本研究では,グラフデータセット間のコミュニティ検出における深層学習の利用の可能性について検討する。 グラフは、ソーシャルネットワーク、情報グラフ、レコメンダシステム、ライフサイエンスなど、さまざまな分野で勢いを増している。 本稿では,様々なグラフデータセットのノードをクラスタリングするコミュニティ検出手法を提案する。 Affiliation Network、Animal Network、Human Contact Network、Human Social Network、Miscellaneous Networkに属するさまざまなカテゴリデータセットをクラスタ化する。 ネットワーク内のノード間の相互作用をモデル化する深層学習の役割は、グラフネットワーク分析に関連する科学の分野に革命をもたらす。 本稿では,グラフネットワーククラスタリングへのガムベルソフトマックスアプローチの拡張について述べる。 特定のグラフデータセットに関する実験の結果、新しいアプローチは従来のクラスタリングを大きく上回っており、グラフコミュニティ検出クラスタリングにおけるディープラーニングの有効性を強く示している。 zachary karate club, highland tribe, train bomb, american revolution, dolphins, zebra, windsurfers, les mis\'erables, political booksなど,さまざまなデータセットを使用して,グラフクラスタリングアルゴリズムを実験しています。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Semantic Enhanced Knowledge Graph for Large-Scale Zero-Shot Learning [74.6485604326913]
  我々は、専門知識とカテゴリ意味相関の両方を含む新しい意味強化知識グラフを提供する。 知識グラフの情報伝達のために,Residual Graph Convolutional Network (ResGCN)を提案する。 大規模画像Net-21KデータセットとAWA2データセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-12-26T13:18:36Z)
• A Survey of Deep Graph Clustering: Taxonomy, Challenge, Application, and Open Resource [87.7460720701592]
  本稿では, この分野における公式定義, 評価, 開発について紹介する。 ディープグラフクラスタリング手法の分類は,グラフタイプ,ネットワークアーキテクチャ,学習パラダイム,クラスタリング手法など,4つの異なる基準に基づいて提示される。 コンピュータビジョン、自然言語処理、レコメンデーションシステム、ソーシャルネットワーク分析、バイオインフォマティクス、医学を含む6分野におけるディープグラフクラスタリング手法の適用について述べる。
  論文  参考訳（メタデータ） (2022-11-23T11:31:11Z)
• Deep Graph Clustering via Mutual Information Maximization and Mixture Model [6.488575826304023]
  クラスタリングに親しみやすいノード埋め込みを学習するための対照的な学習フレームワークを導入する。 実世界のデータセットを用いた実験により,コミュニティ検出における本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-05-10T21:03:55Z)
• Learning through structure: towards deep neuromorphic knowledge graph embeddings [0.5906031288935515]
  本稿では,知識グラフ推論のための深層グラフ学習アーキテクチャをニューロモルフィックアーキテクチャにマッピングする戦略を提案する。 ランダムかつ未学習のグラフニューラルネットワークが局所的なグラフ構造を保存することができるという知見に基づいて、凍結したニューラルネットワークの浅い知識グラフ埋め込みモデルを構成する。 我々は,従来型のハードウェア上では,性能水準を維持しながら,高速化とメモリの大幅な削減を実現していることを示す。
  論文  参考訳（メタデータ） (2021-09-21T18:01:04Z)
• 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)
• Weighted Graph Nodes Clustering via Gumbel Softmax [0.0]
  重み付きグラフデータセットのクラスタリングのためのグラフクラスタリングアルゴリズムの研究成果について述べる。 アルゴリズムをGumbel Softmax(WGCGS)を介して重み付きグラフノードクラスタリングと呼びます。
  論文  参考訳（メタデータ） (2021-02-22T05:05:35Z)
• 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)

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。