論文の概要: Generalized Spectral Clustering via Gromov-Wasserstein Learning
- arxiv url: http://arxiv.org/abs/2006.04163v2
- Date: Wed, 3 Mar 2021 04:12:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 07:56:32.251840
- Title: Generalized Spectral Clustering via Gromov-Wasserstein Learning
- Title(参考訳): Gromov-Wasserstein 学習による一般化スペクトルクラスタリング
- Authors: Samir Chowdhury, Tom Needham
- Abstract要約: スペクトルクラスタリングとGromov-Wasserstein Learning(GWL)の橋渡しを行う。
GWLはグラフ分割に対する近年の最適輸送に基づくアプローチである。
熱カーネルを用いた2ノードテンプレートグラフを無限の時間制限で比較した場合、結果として得られる分割は、Fiedlerベクトルが生成する分割と一致することを示す。
- 参考スコア(独自算出の注目度): 10.558951653323286
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We establish a bridge between spectral clustering and Gromov-Wasserstein
Learning (GWL), a recent optimal transport-based approach to graph
partitioning. This connection both explains and improves upon the
state-of-the-art performance of GWL. The Gromov-Wasserstein framework provides
probabilistic correspondences between nodes of source and target graphs via a
quadratic programming relaxation of the node matching problem. Our results
utilize and connect the observations that the GW geometric structure remains
valid for any rank-2 tensor, in particular the adjacency, distance, and various
kernel matrices on graphs, and that the heat kernel outperforms the adjacency
matrix in producing stable and informative node correspondences. Using the heat
kernel in the GWL framework provides new multiscale graph comparisons without
compromising theoretical guarantees, while immediately yielding improved
empirical results. A key insight of the GWL framework toward graph partitioning
was to compute GW correspondences from a source graph to a template graph with
isolated, self-connected nodes. We show that when comparing against a two-node
template graph using the heat kernel at the infinite time limit, the resulting
partition agrees with the partition produced by the Fiedler vector. This in
turn yields a new insight into the k-cut graph partitioning problem through the
lens of optimal transport. Our experiments on a range of real-world networks
achieve comparable results to, and in many cases outperform, the
state-of-the-art achieved by GWL.
- Abstract(参考訳): 本稿では,グラフ分割に対する最近の最適トランスポートベースアプローチであるスペクトルクラスタリングとgromov-wasserstein learning(gwl)の橋渡しについて述べる。
この接続はGWLの最先端性能を説明・改善する。
gromov-wassersteinフレームワークは、ノードマッチング問題の二次プログラミング緩和を通じて、ソースとターゲットグラフのノード間の確率的対応を提供する。
この結果はGW幾何学構造がグラフ上の任意のランク2テンソル、特に隣接性、距離、および様々なカーネル行列に対して有効であり、また、熱核は安定かつ情報的ノード対応を生成する際に隣接行列よりも優れることを示す。
GWLフレームワークのヒートカーネルを用いることで、理論的な保証を損なうことなく新しいマルチスケールグラフの比較が可能となり、即ち実験結果が向上した。
グラフ分割に向けたGWLフレームワークの重要な洞察は、ソースグラフから独立した自己接続ノードを持つテンプレートグラフへのGW対応を計算することである。
熱カーネルを用いた2ノードテンプレートグラフを無限の時間制限で比較した場合、結果として得られる分割は、Fiedlerベクトルが生成する分割と一致することを示す。
これにより、最適輸送のレンズを通してkカットグラフ分割問題に対する新たな洞察が得られる。
実世界のネットワークにおける我々の実験は、GWLが達成した最先端技術に匹敵する結果が得られる。
関連論文リスト
- Differentiable Proximal Graph Matching [40.41380102260085]
微分可能近位グラフマッチング(DPGM)と呼ばれる近位演算子に基づくグラフマッチングアルゴリズムを提案する。
アルゴリズム全体をグラフ親和性行列からノード対応の予測への微分可能な写像とみなすことができる。
数値実験により、PGMは様々なデータセット上で既存のグラフマッチングアルゴリズムより優れていることが示された。
論文 参考訳(メタデータ) (2024-05-26T08:17:13Z) - Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。
我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文 参考訳(メタデータ) (2022-06-28T02:10:05Z) - Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF)
我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。
我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
論文 参考訳(メタデータ) (2022-05-28T15:37:03Z) - On a linear fused Gromov-Wasserstein distance for graph structured data [2.360534864805446]
埋め込み間のユークリッド距離として定義される2つのグラフ間の新しい距離である線形FGWを提案する。
提案した距離の利点は2つある: 1) ノードの特徴とグラフの構造を考慮して、カーネルベースのフレームワークにおけるグラフ間の類似性を測定する。
論文 参考訳(メタデータ) (2022-03-09T13:43:18Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳(メタデータ) (2020-10-09T07:35:26Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳(メタデータ) (2020-06-19T13:09:44Z) - Optimal Transport Graph Neural Networks [31.191844909335963]
現在のグラフニューラルネットワーク(GNN)アーキテクチャは、集約グラフ表現に平均または総和ノードを埋め込む。
本稿では,パラメトリックプロトタイプを用いたグラフ埋め込み計算モデルOT-GNNを紹介する。
論文 参考訳(メタデータ) (2020-06-08T14:57:39Z) - Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。
提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文 参考訳(メタデータ) (2020-03-12T22:31:59Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。