論文の概要: MC2G: An Efficient Algorithm for Matrix Completion with Social and Item Similarity Graphs

• arxiv url: http://arxiv.org/abs/2006.04373v2
• Date: Mon, 7 Jun 2021 04:29:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 02:52:13.730783
• Title: MC2G: An Efficient Algorithm for Matrix Completion with Social and Item Similarity Graphs
• Title（参考訳）: MC2G:ソーシャルおよびアイテム類似性グラフを用いた行列補完の効率的なアルゴリズム
• Authors: Qiaosheng Zhang, Geewon Suh, Changho Suh, Vincent Y. F. Tan
• Abstract要約: MC2Gは、ソーシャルグラフとアイテム類似性グラフの存在下で行列補完を行うアルゴリズムである。 スペクトルクラスタリングと局所的な精細化のステップに基づいている。 我々は、MC2Gが他の最先端行列補完アルゴリズムより優れている合成データセットと実データセットの両方に関する広範な実験を通して示す。
• 参考スコア（独自算出の注目度）: 85.89744949820376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we design and analyze MC2G (Matrix Completion with 2 Graphs), an algorithm that performs matrix completion in the presence of social and item similarity graphs. MC2G runs in quasilinear time and is parameter free. It is based on spectral clustering and local refinement steps. The expected number of sampled entries required for MC2G to succeed (i.e., recover the clusters in the graphs and complete the matrix) matches an information-theoretic lower bound up to a constant factor for a wide range of parameters. We show via extensive experiments on both synthetic and real datasets that MC2G outperforms other state-of-the-art matrix completion algorithms that leverage graph side information.
• Abstract（参考訳）: 本稿では,ソーシャルグラフとアイテム類似度グラフの存在下で行列補完を行うアルゴリズムであるmc2g(matrix completion with 2 graphs)の設計と解析を行う。 MC2Gは準線形時間で動作し、パラメータフリーである。 スペクトルクラスタリングと局所的な精細化のステップに基づいている。 MC2Gが成功するために必要なサンプルエントリの数(すなわち、グラフ内のクラスタを復元し、行列を完成させる)は、幅広いパラメータに対する定数係数までの情報理論の下界と一致する。 我々は、MC2Gがグラフ側情報を利用する他の最先端行列補完アルゴリズムより優れている合成データセットと実データセットの両方に関する広範な実験を通して示す。

関連論文リスト

• MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
  Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。 自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
  論文  参考訳（メタデータ） (2022-01-07T16:48:07Z)
• Matrix Completion with Hierarchical Graph Side Information [39.00971122472004]
  ソーシャルグラフやアイテム類似性グラフを副次情報として活用する行列補完問題を考える。 我々は階層的なグラフクラスタリングから始まる普遍的でパラメータフリーで計算効率のよいアルゴリズムを開発した。 我々は、我々の理論的結果を裏付けるために、合成および実世界のデータセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2022-01-02T03:47:41Z)
• AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph Convolution [79.44066256794187]
  我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。 アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。 理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
  論文  参考訳（メタデータ） (2021-11-12T07:08:13Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• GraphMineSuite: Enabling High-Performance and Programmable Graph Mining Algorithms with Set Algebra [9.814439564341761]
  GraphMineSuite (GMS) はグラフマイニングアルゴリズムのベンチマークスイートである。 GMSには、広範なレビュー、代表的な問題、アルゴリズム、データセットを記述した文献に基づくベンチマーク仕様が付属している。
  論文  参考訳（メタデータ） (2021-03-05T13:26:18Z)
• 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)
• Biclustering and Boolean Matrix Factorization in Data Streams [12.005731086591139]
  データストリームにおける二部グラフのクラスタリングとブール行列の分解について検討する。 ストリームを渡った後、サブ線形空間を用いてグラフの右側のクラスタの集合を復元するアルゴリズムを提案する。 合成データと実世界のデータに対するアルゴリズムの実装を評価する。
  論文  参考訳（メタデータ） (2020-12-05T23:02:43Z)
• Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
  Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。 本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
  論文  参考訳（メタデータ） (2020-08-03T08:48:41Z)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)
• Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
  グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。 グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。 本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。