論文の概要: Community detection in networks using graph embeddings

• arxiv url: http://arxiv.org/abs/2009.05265v2
• Date: Fri, 5 Mar 2021 21:45:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 22:16:54.124983
• Title: Community detection in networks using graph embeddings
• Title（参考訳）: グラフ埋め込みを用いたネットワーク内のコミュニティ検出
• Authors: Aditya Tandon, Aiiad Albeshri, Vijey Thayananthan, Wadee Alhalabi, Filippo Radicchi and Santo Fortunato
• Abstract要約: ベンチマークグラフ上のコミュニティを検出するために,いくつかのグラフ埋め込み手法をテストした。 埋め込み手法のパラメータが好適に選択された場合、性能は同等である。 この発見は、ネットワークを埋め込み、ポイントをグループ化する高い計算コストとともに、コミュニティ検出において、現在の埋め込み技術はネットワーククラスタリングアルゴリズムよりも改善されたものではないことを示唆している。
• 参考スコア（独自算出の注目度）: 0.615738282053772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph embedding methods are becoming increasingly popular in the machine learning community, where they are widely used for tasks such as node classification and link prediction. Embedding graphs in geometric spaces should aid the identification of network communities as well, because nodes in the same community should be projected close to each other in the geometric space, where they can be detected via standard data clustering algorithms. In this paper, we test the ability of several graph embedding techniques to detect communities on benchmark graphs. We compare their performance against that of traditional community detection algorithms. We find that the performance is comparable, if the parameters of the embedding techniques are suitably chosen. However, the optimal parameter set varies with the specific features of the benchmark graphs, like their size, whereas popular community detection algorithms do not require any parameter. So it is not possible to indicate beforehand good parameter sets for the analysis of real networks. This finding, along with the high computational cost of embedding a network and grouping the points, suggests that, for community detection, current embedding techniques do not represent an improvement over network clustering algorithms.
• Abstract（参考訳）: グラフ埋め込み手法は、ノード分類やリンク予測などのタスクに広く使用されている機械学習コミュニティで、ますます人気が高まっている。 グラフを幾何学空間に埋め込むことは、同じコミュニティ内のノードが幾何学空間で互いに近接して投影され、標準的なデータクラスタリングアルゴリズムによって検出されるため、ネットワークコミュニティの識別にも役立ちます。 本稿では,ベンチマークグラフ上のコミュニティを検出するために,いくつかのグラフ埋め込み手法を試験する。 従来のコミュニティ検出アルゴリズムと比較した。 埋め込み手法のパラメータが適切に選択された場合、性能は同等である。 しかし、最適なパラメータセットはベンチマークグラフのサイズのような特定の特徴によって異なり、人気のあるコミュニティ検出アルゴリズムはパラメータを必要としない。 したがって、実ネットワーク解析のためのパラメータセットを事前に示すことは不可能である。 この発見は、ネットワークを埋め込み、ポイントをグループ化する高い計算コストとともに、コミュニティ検出において、現在の埋め込み技術はネットワーククラスタリングアルゴリズムよりも改善されていないことを示唆している。

関連論文リスト

• Enhancing Community Detection in Networks: A Comparative Analysis of Local Metrics and Hierarchical Algorithms [49.1574468325115]
  本研究は,地域間類似度指標を用いた地域検出の関連性を評価するために,同じ手法を用いている。 これらの指標の有効性は,異なるコミュニティサイズを持つ複数の実ネットワークにベースアルゴリズムを適用して評価した。
  論文  参考訳（メタデータ） (2024-08-17T02:17:09Z)
• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• 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)
• Neural-prior stochastic block model [0.0]
  我々は,コミュニティを,逆ではなくノード属性によって決定されるものとしてモデル化することを提案する。 本稿では,信念伝播と近似メッセージパッシングを組み合わせた統計物理に基づくアルゴリズムを提案する。 提案したモデルとアルゴリズムは理論とアルゴリズムのベンチマークとして利用できる。
  論文  参考訳（メタデータ） (2023-03-17T14:14:54Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Sketch-based community detection in evolving networks [15.512086254435788]
  時間変化ネットワークにおけるコミュニティ検出のアプローチを検討する。 このアプローチの中心となるのは、完全なネットワークの各スナップショットにある重要なコミュニティ構造をキャプチャする、小さなスケッチグラフを維持することだ。 すべての処理を並列に処理できるコミュニティ検出アルゴリズムを定式化する。
  論文  参考訳（メタデータ） (2020-09-24T17:32:57Z)
• On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
  本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。 また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
  論文  参考訳（メタデータ） (2020-09-15T00:16:12Z)
• Hierarchical clustering of bipartite data sets based on the statistical significance of coincidences [0.0]
  本稿では,2つのエンティティが共有する特徴が単なるチャンスに起因する確率を定量化するエンティティ間の相似性に基づく階層的クラスタリングアルゴリズムを提案する。 アルゴリズムのパフォーマンスは n 個のエンティティの集合に適用された場合$O(n2)$であり、その結果はそれらのエンティティの接続を示すデンドログラムである。
  論文  参考訳（メタデータ） (2020-04-27T23:30:18Z)
• Graph Neighborhood Attentive Pooling [0.5493410630077189]
  ネットワーク表現学習(NRL)は,高次元およびスパースグラフの低次元ベクトル表現を学習するための強力な手法である。 本稿では,ノード近傍の異なる部分への入場を注意型プールネットワークを用いて学習するGAPと呼ばれる新しい文脈依存アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-28T15:05:48Z)

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。