論文の概要: Deep Learning for Community Detection: Progress, Challenges and Opportunities

• arxiv url: http://arxiv.org/abs/2005.08225v2
• Date: Wed, 23 Sep 2020 09:34:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 05:26:59.543671
• Title: Deep Learning for Community Detection: Progress, Challenges and Opportunities
• Title（参考訳）: コミュニティ検出のためのディープラーニング: 進歩、挑戦、機会
• Authors: Fanzhen Liu, Shan Xue, Jia Wu, Chuan Zhou, Wenbin Hu, Cecile Paris, Surya Nepal, Jian Yang, Philip S. Yu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 79.26787486888549
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As communities represent similar opinions, similar functions, similar purposes, etc., community detection is an important and extremely useful tool in both scientific inquiry and data analytics. However, the classic methods of community detection, such as spectral clustering and statistical inference, are falling by the wayside as deep learning techniques demonstrate an increasing capacity to handle high-dimensional graph data with impressive performance. Thus, a survey of current progress in community detection through deep learning is timely. Structured into three broad research streams in this domain - deep neural networks, deep graph embedding, and graph neural networks, this article summarizes the contributions of the various frameworks, models, and algorithms in each stream along with the current challenges that remain unsolved and the future research opportunities yet to be explored.
• Abstract（参考訳）: コミュニティは類似の意見、類似の機能、類似の目的などを表現するため、科学的調査とデータ分析の両方において、コミュニティ検出は重要かつ極めて有用なツールである。 しかし、スペクトルクラスタリングや統計的推測といった古典的なコミュニティ検出手法は、ディープラーニング技術が高次元グラフデータを扱う能力の増大を目覚ましい性能で示しているため、道に迷っている。 このように、深層学習によるコミュニティ検出の現在の進歩に関する調査は、タイムリーである。 この領域では、ディープニューラルネットワーク、ディープグラフ埋め込み、グラフニューラルネットワークという3つの広範な研究ストリームで構成されています。この記事では、各ストリームにおけるさまざまなフレームワーク、モデル、アルゴリズムのコントリビューションと、未解決の現在の課題、今後の研究機会について要約します。

関連論文リスト

• A Comprehensive Review of Community Detection in Graphs [10.683947241960178]
  複雑なネットワークの研究は、我々のコミュニティ構造に対する理解を著しく前進させてきた。 グラフ内のコミュニティを検出することは、社会学、生物学、計算機科学の応用において難しい問題である。 本稿では, グラフにおけるコミュニティ検出の話題について概説し, 様々なコミュニティ検出手法の徹底的な解説を行う。
  論文  参考訳（メタデータ） (2023-09-21T06:04:06Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions [48.97008907275482]
  クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。 ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。 深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
  論文  参考訳（メタデータ） (2022-06-15T15:05:13Z)
• 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)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)
• Community Detection Clustering via Gumbel Softmax [0.0]
  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。
  論文  参考訳（メタデータ） (2020-05-05T17:55:31Z)
• A Survey of Deep Learning for Scientific Discovery [13.372738220280317]
  私たちは、ディープラーニングにおけるコア問題における根本的なブレークスルーを、主にディープニューラルネットワークの進歩によって見てきた。 幅広い科学領域で収集されるデータの量は、サイズと複雑さの両方で劇的に増加しています。 これは、科学的な設定でディープラーニングを応用するための多くのエキサイティングな機会を示唆している。
  論文  参考訳（メタデータ） (2020-03-26T06:16:08Z)

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。