Fugu-MT 論文翻訳(概要): Higher-Order Spectral Clustering for Geometric Graphs

論文の概要: Higher-Order Spectral Clustering for Geometric Graphs

arxiv url: http://arxiv.org/abs/2009.11353v2
Date: Mon, 15 Mar 2021 16:57:43 GMT
ステータス: 処理完了
システム内更新日: 2022-10-15 16:03:14.105000
Title: Higher-Order Spectral Clustering for Geometric Graphs
Title（参考訳）: 幾何学グラフの高次スペクトルクラスタリング
Authors: Konstantin Avrachenkov, Andrei Bobu, Maximilien Dreveton
Abstract要約: 我々は、高階スペクトルクラスタリングと呼ばれる効果的な一般化を提案する。概念的には古典的なスペクトルクラスタリング法に似ているが、高次固有値に付随する固有ベクトルを分割するために用いられる。本手法は, 極小グラフにおいても, 数値実験に有効であることを示す。
参考スコア（独自算出の注目度）: 0.17188280334580194
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The present paper is devoted to clustering geometric graphs. While the standard spectral clustering is often not effective for geometric graphs, we present an effective generalization, which we call higher-order spectral clustering. It resembles in concept the classical spectral clustering method but uses for partitioning the eigenvector associated with a higher-order eigenvalue. We establish the weak consistency of this algorithm for a wide class of geometric graphs which we call Soft Geometric Block Model. A small adjustment of the algorithm provides strong consistency. We also show that our method is effective in numerical experiments even for graphs of modest size.
Abstract（参考訳）: 本稿では,幾何グラフのクラスタリングについて述べる。標準的なスペクトルクラスタリングは幾何学グラフには有効ではないが、より高階のスペクトルクラスタリングと呼ばれる効果的な一般化を示す。概念的には古典的なスペクトルクラスタリング法に似ているが、高次固有値に関連する固有ベクトルを分割するために用いられる。ソフト幾何ブロックモデル(soft geometry block model)と呼ばれる幅広い幾何グラフのクラスに対して,このアルゴリズムの弱い一貫性を確立する。アルゴリズムの小さな調整は、強い一貫性を提供する。また,本手法は極小グラフにおいても数値実験に有効であることを示す。

関連論文リスト

HeNCler: Node Clustering in Heterophilous Graphs through Learned Asymmetric Similarity [55.27586970082595]
HeNClerは、Heterophilous Node Clusteringの新しいアプローチである。 HeNClerは異種グラフコンテキストにおけるノードクラスタリングタスクの性能を大幅に向上させることを示す。
論文参考訳（メタデータ） (2024-05-27T11:04:05Z)
LSEnet: Lorentz Structural Entropy Neural Network for Deep Graph Clustering [59.89626219328127]
グラフクラスタリングは機械学習の基本的な問題である。近年、ディープラーニング手法は最先端の成果を達成しているが、事前に定義されたクラスタ番号なしでは動作できない。本稿では,グラフ情報理論の新たな視点からこの問題に対処することを提案する。
論文参考訳（メタデータ） (2024-05-20T05:46:41Z)
MeanCut: A Greedy-Optimized Graph Clustering via Path-based Similarity and Degree Descent Criterion [0.6906005491572401]
スペクトルクラスタリングは、優れたパフォーマンス、簡単な実装、強力な適応性のために人気があり、魅力的です。我々は,MeanCutを目的関数として提案し,非破壊グラフ分割の次数降下順で厳密に最適化する。本アルゴリズムの有効性は,実世界のベンチマークによる検証と顔認識の適用によって実証される。
論文参考訳（メタデータ） (2023-12-07T06:19:39Z)
Latent Random Steps as Relaxations of Max-Cut, Min-Cut, and More [30.919536115917726]
クラスタリングと単純化を統一する非負行列分解に基づく確率モデルを提案する。ハードクラスタリングをソフトクラスタリングに緩和することにより、ハードクラスタリングの潜在的な問題をトラクタブルクラスタに緩和する。
論文参考訳（メタデータ） (2023-08-12T02:47:57Z)
Spectral Clustering on Large Datasets: When Does it Work? Theory from Continuous Clustering and Density Cheeger-Buser [0.17188280334580194]
現代の機械学習では、多くのデータセットは確率密度関数から引き出された多数の点としてモデル化される。我々の研究は、ラプラス分布の混合から引き出されたデータに対して、シマリクスペクトルクラスタリングがうまく働くことを示唆している。私たちのキーとなるツールは、不連続なものを含む全ての確率密度に対する新しいCheeger-Buser不等式です。
論文参考訳（メタデータ） (2023-05-11T03:08:49Z)
Contrastive Graph Clustering in Curvature Spaces [74.03252813800334]
本研究では,CONGREGATE という新しいグラフクラスタリングモデルを提案する。幾何学的クラスタリングを支援するため、理論的に基底とした不均一曲率空間を構築した。次に、拡張不要な再重み付きコントラスト的アプローチでグラフクラスタをトレーニングする。
論文参考訳（メタデータ） (2023-05-05T14:04:52Z)
A parameter-free graph reduction for spectral clustering and SpectralNet [1.5469452301122175]
本稿では,パラメータを必要としないグラフ削減手法を提案する。第一に、各点$p$からその近傍までの距離は、同じ周囲密度を持つ隣人にのみ適応しきい値を用いてフィルタリングされる。 2つのステップを生き残るエッジは、スペクトルクラスタリングであるSpectralNetに渡された構築されたグラフを形成する。
論文参考訳（メタデータ） (2023-02-25T21:19:30Z)
Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
論文参考訳（メタデータ） (2022-06-25T03:54:53Z)
Template-Based Graph Clustering [5.4352987210173955]
クラスタ(またはコミュニティ)の基盤構造に関する追加情報によってガイドされる新しいグラフクラスタリング手法を提案する。クラスタの密度とそれらの関係をエンコードする関連する事前条件により,本手法は古典的手法,特に挑戦的ケースにおいて優れる。
論文参考訳（メタデータ） (2021-07-05T13:13:34Z)
Multilayer Graph Clustering with Optimized Node Embedding [70.1053472751897]
多層グラフクラスタリングは、グラフノードをカテゴリまたはコミュニティに分割することを目指しています。与えられた多層グラフの層をクラスタリングに親しみやすい埋め込みを提案する。実験の結果,本手法は著しい改善をもたらすことがわかった。
論文参考訳（メタデータ） (2021-03-30T17:36:40Z)
Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。