論文の概要: On the use of local structural properties for improving the efficiency
of hierarchical community detection methods
- arxiv url: http://arxiv.org/abs/2009.06798v1
- Date: Tue, 15 Sep 2020 00:16:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 05:49:34.659853
- Title: On the use of local structural properties for improving the efficiency
of hierarchical community detection methods
- Title（参考訳）: 階層型コミュニティ検出手法の効率向上のための局所構造特性の利用について
- Authors: Julio-Omar Palacio-Ni\~no and Fernando Berzal
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 77.34726150561087
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Community detection is a fundamental problem in the analysis of complex
networks. It is the analogue of clustering in network data mining. Within
community detection methods, hierarchical algorithms are popular. However,
their iterative nature and the need to recompute the structural properties used
to split the network (i.e. edge betweenness in Girvan and Newman's algorithm),
make them unsuitable for large network data sets. In this paper, we study how
local structural network properties can be used as proxies to improve the
efficiency of hierarchical community detection while, at the same time,
achieving competitive results in terms of modularity. In particular, we study
the potential use of the structural properties commonly used to perform local
link prediction, a supervised learning problem where community structure is
relevant, as nodes are prone to establish new links with other nodes within
their communities. In addition, we check the performance impact of network
pruning heuristics as an ancillary tactic to make hierarchical community
detection more efficient
- Abstract（参考訳）: コミュニティ検出は複雑なネットワーク解析における根本的な問題である。
これはネットワークデータマイニングにおけるクラスタリングの例である。
コミュニティ検出手法では階層型アルゴリズムが一般的である。
しかし、それらの反復的な性質と、ネットワークを分割するために使用される構造的特性(例えば、ギルバンとニューマンのアルゴリズムのエッジ間)を再計算する必要があるため、大きなネットワークデータセットには適さない。
本稿では,局所的な構造的ネットワーク特性をプロキシとして利用することで,階層的コミュニティ検出の効率を向上させると同時に,モジュール性の観点からの競争的成果を実現した。
特に,コミュニティ内の他のノードとの新たなリンクを確立する傾向にあるため,コミュニティ構造が関係する教師あり学習問題であるローカルリンク予測を行うために一般的に使用される構造特性の潜在的利用について検討する。
さらに,ネットワークプルーニングヒューリスティックスの性能への影響を,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確認する。
関連論文リスト
- AdaRC: Mitigating Graph Structure Shifts during Test-Time [66.40525136929398]
テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。
AdaRCは,グラフの構造シフトに効果的かつ効率的な適応を意図した,革新的なフレームワークである。
論文 参考訳（メタデータ） (2024-10-09T15:15:40Z) - 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) - Sifting out communities in large sparse networks [2.666294200266662]
大規模ネットワークにおけるクラスタリングの結果の質を定量化するための直感的な客観的関数を導入する。
この領域に特に適したコミュニティを特定するために,2段階の手法を用いる。
数万のノードからなる大規模ネットワークにおける複雑な遺伝的相互作用を同定する。
論文 参考訳（メタデータ） (2024-05-01T18:57:41Z) - Learning Persistent Community Structures in Dynamic Networks via
Topological Data Analysis [2.615648035076649]
本稿では,コミュニティ間構造における時間的一貫性の整合性を考慮した新しいディープグラフクラスタリングフレームワークを提案する。
MFCは、ノード埋め込みを保存する行列分解に基づくディープグラフクラスタリングアルゴリズムである。
TopoRegは、時間間隔でコミュニティ間構造間のトポロジカルな類似性を維持するために導入された。
論文 参考訳（メタデータ） (2024-01-06T11:29:19Z) - The Influence of Network Structural Preference on Node Classification
and Link Prediction [0.0]
本研究は,新しい機能抽象化手法,すなわちTransition Probabilities Matrix (TPM)を導入する。
提案手法は,3つの実世界のネットワーク上でノード識別・分類・リンク予測を行った。
論文 参考訳（メタデータ） (2022-08-07T12:56:28Z) - Network Clustering for Latent State and Changepoint Detection [0.0]
本稿では,ネットワーククラスタリングのタスクに対する凸アプローチを提案する。
コンベックスネットワーククラスタリングのための効率的なアルゴリズムを提案し,その有効性を合成例で示す。
論文 参考訳（メタデータ） (2021-11-01T21:51:45Z) - Learning Structures for Deep Neural Networks [99.8331363309895]
我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。
スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。
公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
論文 参考訳（メタデータ） (2021-05-27T12:27:24Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:36:24Z)
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。