論文の概要: Hypergraph Random Walks, Laplacians, and Clustering
- arxiv url: http://arxiv.org/abs/2006.16377v2
- Date: Tue, 27 Oct 2020 17:32:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 13:53:59.657813
- Title: Hypergraph Random Walks, Laplacians, and Clustering
- Title（参考訳）: ハイパーグラフのランダムウォーク、ラプラシアン、クラスタリング
- Authors: Koby Hayashi, Sinan G. Aksoy, Cheong Hee Park, and Haesun Park
- Abstract要約: 最近提案されたランダムウォークに基づくハイパーグラフ構造化データのクラスタリングのためのフレキシブルなフレームワークを提案する。
提案手法は,高品質なクラスタを創出し,今後の作業への道のりを強調して結論付ける。
- 参考スコア（独自算出の注目度）: 9.488853155989615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a flexible framework for clustering hypergraph-structured data
based on recently proposed random walks utilizing edge-dependent vertex
weights. When incorporating edge-dependent vertex weights (EDVW), a weight is
associated with each vertex-hyperedge pair, yielding a weighted incidence
matrix of the hypergraph. Such weightings have been utilized in term-document
representations of text data sets. We explain how random walks with EDVW serve
to construct different hypergraph Laplacian matrices, and then develop a suite
of clustering methods that use these incidence matrices and Laplacians for
hypergraph clustering. Using several data sets from real-life applications, we
compare the performance of these clustering algorithms experimentally against a
variety of existing hypergraph clustering methods. We show that the proposed
methods produce higher-quality clusters and conclude by highlighting avenues
for future work.
- Abstract（参考訳）: 本稿では,エッジ依存頂点重みを用いたランダムウォークに基づくハイパーグラフ構造データをクラスタリングするための柔軟なフレームワークを提案する。
エッジ依存頂点重み(EDVW)を組み込む場合、重みは各頂点-ハイパーエッジペアに関連付けられ、ハイパーグラフの重み付き入射行列を生成する。
このような重み付けはテキストデータセットの項文書表現に利用されてきた。
EDVWを用いたランダムウォークは,異なるハイパーグラフラプラシアン行列を構成するのにどのように役立つかを説明し,これらの出現行列とラプラシアンを用いてハイパーグラフクラスタリングを行う一連のクラスタリング手法を開発する。
実生活アプリケーションから得られた複数のデータセットを用いて,これらのクラスタリングアルゴリズムの性能を,既存のハイパーグラフクラスタリング手法と比較した。
提案手法は高品質なクラスタを生成し,今後の作業への道筋を強調することで結論づける。
関連論文リスト
- A classification model based on a population of hypergraphs [0.0]
本稿では,新しいハイパーグラフ分類アルゴリズムを提案する。
ハイパーグラフは任意の順序の多方向相互作用を探索する。
このアルゴリズムは2つのデータセットで評価される。
論文 参考訳（メタデータ） (2024-05-23T21:21:59Z) - Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。
HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。
局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
論文 参考訳（メタデータ） (2023-12-18T17:50:52Z) - 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) - From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。
次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。
提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文 参考訳（メタデータ） (2023-06-16T04:40:59Z) - Hypergraphs with Edge-Dependent Vertex Weights: p-Laplacians and
Spectral Clustering [29.400924845055865]
エッジ依存重み(EDVW)を組み込んだ最近提案されたハイパーグラフモデルのp-ラプラシアンおよびスペクトルクラスタリングについて検討する。
我々は、ハイパーグラフをEDVWで変換し、スペクトル理論がより発展する部分モジュラーハイパーグラフに変換する。
p-ラプラシアンやチェーガーの不等式のような既存の概念や定理は、部分モジュラーハイパーグラフ設定の下で提案され、EDVWでハイパーグラフへ直接拡張することができる。
論文 参考訳（メタデータ） (2022-08-15T22:29:00Z) - Nonbacktracking spectral clustering of nonuniform hypergraphs [2.408714894793063]
非一様ハイパーグラフに対するスペクトルクラスタリングをハイパーグラフ非追跡演算子を用いて検討する。
本稿では,線形化された信念伝達を用いたハイパーグラフブロックモデルにおける推論の交互化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-04-27T01:14:06Z) - Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。
時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-11T16:15:25Z) - Learning Multi-Granular Hypergraphs for Video-Based Person
Re-Identification [110.52328716130022]
ビデオベースの人物識別(re-ID)はコンピュータビジョンにおいて重要な研究課題である。
MGH(Multi-Granular Hypergraph)という新しいグラフベースのフレームワークを提案する。
MARSの90.0%のトップ-1精度はMGHを用いて達成され、最先端のスキームよりも優れていた。
論文 参考訳（メタデータ） (2021-04-30T11:20:02Z) - Co-clustering Vertices and Hyperedges via Spectral Hypergraph
Partitioning [18.800058655626696]
エッジ依存重み付きハイパーグラフの頂点とハイパーエッジを協調クラスタリングする新しい手法を提案する。
本手法では,EDVWを用いたランダムウォークを利用してハイパーグラフのLaplacianを構築し,そのスペクトル特性を用いて頂点とハイパーエッジを共通空間に埋め込む。
次に、これらの埋め込みをクラスタ化して、提案する共同クラスタ化手法、特にデータエンティティと機能の同時クラスタリングを必要とするアプリケーションとの関連性を得る。
論文 参考訳（メタデータ） (2021-02-19T21:47:39Z) - Generative hypergraph clustering: from blockmodels to modularity [26.99290024958576]
異質なノード度とエッジサイズを持つクラスタ化ハイパーグラフの表現的生成モデルを提案する。
我々は,100万ノードの合成ハイパーグラフを用いた実験など,ハイパーグラフ・ルーバインは高度にスケーラブルであることを示す。
このモデルを用いて,学校連絡ネットワークにおける高次構造の異なるパターン,米国議会法案共同提案,米国議会委員会,共同購入行動における製品カテゴリ,ホテルロケーションを分析した。
論文 参考訳（メタデータ） (2021-01-24T00:25:22Z) - Conjoined Dirichlet Process [63.89763375457853]
我々はディリクレ過程に基づく新しい非パラメトリック確率的ビクラスタリング法を開発し、列と列の双方に強い共起を持つビクラスタを同定する。
本手法はテキストマイニングと遺伝子発現解析の2つの異なる応用に適用し,既存の手法に比べて多くの設定でビクラスタ抽出を改善することを示す。
論文 参考訳（メタデータ） (2020-02-08T19:41:23Z)
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。