Fugu-MT 論文翻訳(概要): PageRank and The K-Means Clustering Algorithm

論文の概要: PageRank and The K-Means Clustering Algorithm

arxiv url: http://arxiv.org/abs/2005.04774v3
Date: Tue, 9 Mar 2021 07:23:43 GMT
ステータス: 処理完了
システム内更新日: 2022-12-05 01:48:38.117427
Title: PageRank and The K-Means Clustering Algorithm
Title（参考訳）: pagerankとk-meansクラスタリングアルゴリズム
Authors: Mustafa Hajij, Eyad Said, Robert Todd
Abstract要約: 我々は、$k$-meansクラスタリングアルゴリズムを、有向グラフと無向グラフに一般化する。我々は、PageRankや他の集中度対策が、与えられたグラフ内のノードの集中度を頑健に計算するために、我々の設定に利用できることを示した。
参考スコア（独自算出の注目度）: 0.618778092044887
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We utilize the PageRank vector to generalize the $k$-means clustering algorithm to directed and undirected graphs. We demonstrate that PageRank and other centrality measures can be used in our setting to robustly compute centrality of nodes in a given graph. Furthermore, we show how our method can be generalized to metric spaces and apply it to other domains such as point clouds and triangulated meshes
Abstract（参考訳）: 我々はPageRankベクトルを用いて$k$-meansクラスタリングアルゴリズムを方向グラフと非方向グラフに一般化する。我々は、pagerankや他の集中度指標を、与えられたグラフ内のノードの集中度をロバストに計算するために使用できることを実証する。さらに、我々の手法を計量空間に一般化し、点雲や三角メッシュなどの他の領域に適用する方法を示す。

関連論文リスト

Anchor-free Clustering based on Anchor Graph Factorization [17.218481911995365]
Anchor Graph Factorization(AFCAGF)に基づくAnchor-free Clusteringと呼ばれる新しい手法を提案する。 AFCAGFはアンカーグラフの学習において革新的であり、サンプル間のペア距離の計算のみを必要とする。我々は,クラスタセンターとFKMのサンプル間のメンバシップ行列の概念を,複数のアンカーポイントとサンプルを含むアンカーグラフに進化させた。
論文参考訳（メタデータ） (2024-02-24T02:16:42Z)
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)
A flexible PageRank-based graph embedding framework closely related to spectral eigenvector embeddings [8.680081568963]
ランダムなノード集合上にシードされたパーソナライズされたPageRankベクトルの行列に基づいて,簡単な埋め込み手法を提案する。この行列の要素対数によって生成される埋め込みは、グラフのクラスに対するスペクトル埋め込みと関連していることを示す。
論文参考訳（メタデータ） (2022-07-22T20:22:25Z)
A Dynamical Systems Algorithm for Clustering in Hyperspectral Imagery [0.18374319565577152]
ハイパースペクトル画像におけるクラスタリングのための新しい動的システムアルゴリズムを提案する。このアルゴリズムの主な考え方は、密度を増加させる方向に「データポイントが押される」ことであり、同じ密度の領域に終わるピクセル群は同じクラスに属する。本手法は, 既定素材のクラスを基礎事実として, k-means アルゴリズムと性能を比較した都市景観におけるアルゴリズムの評価を行う。
論文参考訳（メタデータ） (2022-07-21T17:31:57Z)
Skew-Symmetric Adjacency Matrices for Clustering Directed Graphs [5.301300942803395]
カットベースの有向グラフ(グラフ)クラスタリングは、しばしばクラスタ内あるいはクラスタ間の疎結合を見つけることに焦点を当てる。フローベースのクラスタリングでは、クラスタ間のエッジは一方向を向く傾向にあり、マイグレーションデータ、フードウェブ、トレーディングデータに見出されている。
論文参考訳（メタデータ） (2022-03-02T20:07:04Z)
Gradient Based Clustering [72.15857783681658]
本稿では,クラスタリングの品質を計測するコスト関数の勾配を用いて,距離に基づくクラスタリングの一般的な手法を提案する。アプローチは反復的な2段階の手順(クラスタ割り当てとクラスタセンターのアップデートの代替)であり、幅広い機能に適用できる。
論文参考訳（メタデータ） (2022-02-01T19:31:15Z)
Clustering Plotted Data by Image Segmentation [12.443102864446223]
クラスタリングアルゴリズムは、ラベルなしデータのパターンを検出する主要な分析手法の1つである。本稿では,人間のクラスタリングデータに着想を得た,2次元空間におけるクラスタリングポイントの全く異なる方法を提案する。私たちのアプローチであるVisual Clusteringは、従来のクラスタリングアルゴリズムよりもいくつかのアドバンテージを持っています。
論文参考訳（メタデータ） (2021-10-06T06:19:30Z)
Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文参考訳（メタデータ） (2021-07-03T01:28:42Z)
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)
Differentially Private Clustering: Tight Approximation Ratios [57.89473217052714]
基本的なクラスタリング問題に対して,効率的な微分プライベートアルゴリズムを提案する。この結果から,SampleとAggregateのプライバシーフレームワークのアルゴリズムの改善が示唆された。 1-Clusterアルゴリズムで使用されるツールの1つは、ClosestPairのより高速な量子アルゴリズムを適度な次元で得るために利用できる。
論文参考訳（メタデータ） (2020-08-18T16:22:06Z)
Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文参考訳（メタデータ） (2020-04-01T13:39:37Z)

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。