論文の概要: Refining Similarity Matrices to Cluster Attributed Networks Accurately
- arxiv url: http://arxiv.org/abs/2010.06854v1
- Date: Wed, 14 Oct 2020 07:43:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 14:05:13.204457
- Title: Refining Similarity Matrices to Cluster Attributed Networks Accurately
- Title（参考訳）: クラスター帰属ネットワークへの類似度行列の精度向上
- Authors: Yuta Yajima and Akihiro Inokuchi
- Abstract要約: 本稿では,スペクトルクラスタリングを施す前に類似度行列を精細化し,精度を高めることを目的とする。
本研究では, スペクトルクラスタリングの精度を類似度行列と比較することにより, 提案手法の実用性を検証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a result of the recent popularity of social networks and the increase in
the number of research papers published across all fields, attributed networks
consisting of relationships between objects, such as humans and the papers,
that have attributes are becoming increasingly large. Therefore, various
studies for clustering attributed networks into sub-networks are being actively
conducted. When clustering attributed networks using spectral clustering, the
clustering accuracy is strongly affected by the quality of the similarity
matrices, which are input into spectral clustering and represent the
similarities between pairs of objects. In this paper, we aim to increase the
accuracy by refining the matrices before applying spectral clustering to them.
We verify the practicability of our proposed method by comparing the accuracy
of spectral clustering with similarity matrices before and after refining them.
- Abstract（参考訳）: 近年のソーシャルネットワークの普及と、すべての分野にまたがる研究論文の増加により、人や論文などの属性を持つ対象間の関係からなる属性ネットワークがますます大きくなってきている。
そのため,ネットワークをサブネットワークにクラスタ化するための様々な研究が活発に行われている。
スペクトルクラスタリングを用いて属性ネットワークをクラスタリングする場合、クラスタリング精度は、スペクトルクラスタリングに入力され、オブジェクトのペア間の類似度を表す類似度行列の品質に強く影響を受ける。
本稿では,スペクトルクラスタリングを施す前に,行列を精製することで精度を高めることを目的とする。
本研究では, スペクトルクラスタリングの精度を類似度行列と比較することにより, 提案手法の実用性を検証する。
関連論文リスト
- Multi-view clustering integrating anchor attribute and structural information [1.4750411676439674]
本稿では,新しいマルチビュークラスタリングアルゴリズムであるAASを紹介する。
各ビューのアンカーを介して2段階の近接アプローチを利用し、属性と方向付けされた構造情報を統合する。
論文 参考訳（メタデータ） (2024-10-29T03:53:03Z) - Reliable Node Similarity Matrix Guided Contrastive Graph Clustering [51.23437296378319]
我々は、新しいフレームワーク、Reliable Node similarity Matrix Guided Contrastive Graph Clustering (NS4GC)を紹介した。
本手法は,ノード近傍のアライメントとセマンティック・アウェア・スパリフィケーションを導入し,ノード類似度行列が正確かつ効率的にスパースであることを保証する。
論文 参考訳（メタデータ） (2024-08-07T13:36:03Z) - Community detection by spectral methods in multi-layer networks [0.0]
多層ネットワークにおけるコミュニティ検出は,ネットワーク解析において重要な問題である。
1つのアルゴリズムは隣接行列の和に基づいており、もう1つは2乗隣接行列の偏りの和を利用する。
数値シミュレーションにより, このアルゴリズムは, 多層ネットワークにおける既存のコミュニティ検出手法を超越した2乗隣接行列のデバイアス和を用いていることを確認した。
論文 参考訳（メタデータ） (2024-03-19T08:29:47Z) - DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep
Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。
ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。
6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文 参考訳（メタデータ） (2022-06-01T09:51:38Z) - Perfect Spectral Clustering with Discrete Covariates [68.8204255655161]
本稿では,大規模なスパースネットワークのクラスにおいて,高い確率で完全クラスタリングを実現するスペクトルアルゴリズムを提案する。
本手法は,スペクトルクラスタリングによる一貫した潜在構造回復を保証する最初の方法である。
論文 参考訳（メタデータ） (2022-05-17T01:41:06Z) - Clustering Ensemble Meets Low-rank Tensor Approximation [50.21581880045667]
本稿では,複数のクラスタリングを組み合わせ,個々のクラスタリングよりも優れたパフォーマンスを実現するクラスタリングアンサンブルの問題について検討する。
本稿では,この問題をグローバルな視点から解くために,新しい低ランクテンソル近似法を提案する。
7つのベンチマークデータセットを用いた実験の結果,提案手法は12の最先端手法と比較して,クラスタリング性能のブレークスルーを達成した。
論文 参考訳（メタデータ） (2020-12-16T13:01:37Z) - Spectral clustering via adaptive layer aggregation for multi-layer
networks [6.0073653636512585]
有効凸層アグリゲーションに基づく積分スペクトルクラスタリング手法を提案する。
提案手法は, 広く用いられている手法と比較して, 極めて競争力が高いことを示す。
論文 参考訳（メタデータ） (2020-12-07T21:58:18Z) - LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。
本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。
CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文 参考訳（メタデータ） (2020-06-17T17:58:10Z) - Randomized spectral co-clustering for large-scale directed networks [15.486507430729052]
共同クラスタリングは、有向ネットワークの送信者と受信者を同時にクラスタ化することを目的としている。
スケッチ技術を活用し、2つのランダム化スペクトルコクラスタリングアルゴリズムを導出する。
我々は、それらの近似誤差率と誤クラスタリング誤差率を確立し、共クラスタリング文学の最先端結果よりも優れた境界を示す。
論文 参考訳（メタデータ） (2020-04-25T15:00:55Z) - A unified framework for spectral clustering in sparse graphs [47.82639003096941]
正規化ラプラシア行列の便利なパラメータ化形式はスパースネットワークにおけるスペクトルクラスタリングに利用できることを示す。
また、この提案された行列と、現在一般的な非バックトラック行列であるベーテ・ヘッセン行列との間の重要な関係を示す。
論文 参考訳（メタデータ） (2020-03-20T10:58:37Z)
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。