論文の概要: Community Detection by Principal Components Clustering Methods
- arxiv url: http://arxiv.org/abs/2011.04377v2
- Date: Tue, 10 Nov 2020 02:35:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 00:43:50.472970
- Title: Community Detection by Principal Components Clustering Methods
- Title（参考訳）: 主成分クラスタリング法によるコミュニティ検出
- Authors: Huan Qing and Jingli Wang
- Abstract要約: 主成分クラスタリング(PCC)と正規化主成分クラスタリング(NPCC)の2つの新しいアプローチを提案する。
PCCはPCCとRCC法の組み合わせに基づいて設計されている(Qin & Rohe 2013)。
- 参考スコア（独自算出の注目度）: 1.0965065178451106
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Based on the classical Degree Corrected Stochastic Blockmodel (DCSBM) model
for network community detection problem, we propose two novel approaches:
principal component clustering (PCC) and normalized principal component
clustering (NPCC). Without any parameters to be estimated, the PCC method is
simple to be implemented. Under mild conditions, we show that PCC yields
consistent community detection. NPCC is designed based on the combination of
the PCC and the RSC method (Qin & Rohe 2013). Population analysis for NPCC
shows that NPCC returns perfect clustering for the ideal case under DCSBM. PCC
and NPCC is illustrated through synthetic and real-world datasets. Numerical
results show that NPCC provides a significant improvement compare with PCC and
RSC. Moreover, NPCC inherits nice properties of PCC and RSC such that NPCC is
insensitive to the number of eigenvectors to be clustered and the choosing of
the tuning parameter. When dealing with two weak signal networks Simmons and
Caltech, by considering one more eigenvectors for clustering, we provide two
refinements PCC+ and NPCC+ of PCC and NPCC, respectively. Both two refinements
algorithms provide improvement performances compared with their original
algorithms. Especially, NPCC+ provides satisfactory performances on Simmons and
Caltech, with error rates of 121/1137 and 96/590, respectively.
- Abstract（参考訳）: ネットワークコミュニティ検出問題に対する古典的Degree Corrected Stochastic Blockmodel (DCSBM)モデルに基づいて、主成分クラスタリング(PCC)と正規化主成分クラスタリング(NPCC)の2つの新しいアプローチを提案する。
パラメータを見積もる必要がないため、PCC法は実装が簡単である。
軽度の条件下では,PCCが一貫したコミュニティ検出をもたらすことを示す。
NPCCはPCCとRCC法の組み合わせに基づいて設計されている(Qin & Rohe 2013)。
NPCCの個体群解析は、NPCCがDCSBMの下での理想的な場合の完全なクラスタリングを返すことを示している。
PCCとNPCCは、合成および実世界のデータセットを通して説明される。
NPCCはPCCおよびRCCと比較して有意に改善した。
さらに、NPCCはPCCとRCCの優れた性質を継承し、NPCCはクラスタ化される固有ベクトルの数やチューニングパラメータの選択に敏感である。
シモンズとカルテックの2つの弱い信号ネットワークを扱う場合、クラスタリングのための1つの固有ベクトルを考慮し、PCC+とNPCC+の2つの改良PCC+とNPCC+を提供する。
2つの改良アルゴリズムは、元のアルゴリズムと比較して改善された性能を提供する。
特にNPCC+は、SimmonsとCaltechでそれぞれ121/1137と96/590のエラー率で満足なパフォーマンスを提供する。
関連論文リスト
- Fast Context-Biasing for CTC and Transducer ASR models with CTC-based Word Spotter [57.64003871384959]
この研究は、CTCベースのWord Spotterでコンテキストバイアスを高速化するための新しいアプローチを示す。
提案手法は,CTCログ確率をコンパクトなコンテキストグラフと比較し,潜在的なコンテキストバイアス候補を検出する。
その結果、FスコアとWERの同時改善により、文脈バイアス認識の大幅な高速化が示された。
論文 参考訳（メタデータ） (2024-06-11T09:37:52Z) - Hyperparameters in Continual Learning: A Reality Check [53.30082523545212]
連続学習(CL)は、可塑性(新しいタスクを学ぶ)と安定性(事前知識を保持する)のトレードオフをバランスしながら、一連のタスクでモデルを訓練することを目的としている。
CLアルゴリズムの従来の評価プロトコルは、与えられたシナリオで最適なハイパーパラメータを選択し、同じシナリオでアルゴリズムを評価する。
このプロトコルには大きな欠点があり、アルゴリズムのCL能力を過大評価し、非現実的なハイパーパラメータチューニングに依存している。
CLアルゴリズムの評価は,予測できないシナリオに対するCL能力の一般化性を評価することに集中すべきである,と我々は主張する。
論文 参考訳（メタデータ） (2024-03-14T03:13:01Z) - Unconstrained Stochastic CCA: Unifying Multiview and Self-Supervised Learning [0.13654846342364307]
PLS, CCA, Deep CCA の高速アルゴリズム群を標準 CCA と Deep CCA のベンチマークで示す。
我々のアルゴリズムは、従来の最先端ベンチマークよりもはるかに高速な収束と高い相関関係の回復を示す。
これらの改良により、非常に大きなバイオメディカルデータセットの第一種PSS分析を行うことができる。
論文 参考訳（メタデータ） (2023-10-02T09:03:59Z) - Improving CTC-AED model with integrated-CTC and auxiliary loss
regularization [6.214966465876013]
自動音声認識(ASR)において、コネクショニスト時間的分類とアテンションベースエンコーダデコーダ(AED)共同訓練が広く適用されている。
本稿では,2つの融合法,すなわち直接ロジット加算(DAL)と最大確率保存(PMP)を用いる。
我々は,CTCの寸法に適合するように注意結果を適応的にアフィン変換することで,次元整合性を実現する。
論文 参考訳（メタデータ） (2023-08-15T03:31:47Z) - Bayes risk CTC: Controllable CTC alignment in Sequence-to-Sequence tasks [63.189632935619535]
予測アライメントの望ましい特性を強制するためにベイズリスクCTC(BRCTC)を提案する。
BRCTCを他の早期排出の選好と組み合わせることで、オンラインモデルの性能・遅延トレードオフが改善される。
論文 参考訳（メタデータ） (2022-10-14T03:55:36Z) - Actor-Critic based Improper Reinforcement Learning [61.430513757337486]
我々は,未知のマルコフ決定プロセスに対して,学習者に100万ドルのベースコントローラを付与する不適切な強化学習環境を考える。
本稿では,(1)ポリシーグラディエントに基づくアプローチ,(2)単純なアクター・クリティカル・スキームとNatural Actor-Criticスキームを切り替えるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-07-19T05:55:02Z) - Local Sample-weighted Multiple Kernel Clustering with Consensus
Discriminative Graph [73.68184322526338]
マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。
本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。
実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2022-07-05T05:00:38Z) - SC^2-PCR: A Second Order Spatial Compatibility for Efficient and Robust
Point Cloud Registration [32.87420625579577]
本稿では,2次空間整合性(SC2)尺度を提案する。
この測定に基づいて,我々の登録パイプラインは,初期対応から信頼性の高い種子を見つけるために,グローバルスペクトル技術を用いている。
提案手法では,サンプリングを少なくすることで,一定の数の外れ値のないコンセンサス集合を見つけることが保証される。
論文 参考訳（メタデータ） (2022-03-28T02:41:28Z) - Intermediate Loss Regularization for CTC-based Speech Recognition [58.33721897180646]
本稿では,コネクショニスト時間分類(CTC)の目的に基づいて,自動音声認識(ASR)のための簡易かつ効率的な補助的損失関数を提案する。
提案手法は,WSJコーパスの単語誤り率(WER)9.9%,AISHELL-1コーパスの文字誤り率(CER)5.2%である。
論文 参考訳（メタデータ） (2021-02-05T15:01:03Z) - An improved spectral clustering method for community detection under the
degree-corrected stochastic blockmodel [1.0965065178451106]
次数補正ブロックモデル(SBM)に基づく改良型スペクトルクラスタリング(ISC)手法を提案する。
ISCは、SimmonsとCaltechの2つの弱い信号ネットワークにおいて、それぞれ121/1137と96/590のエラー率で大幅に改善されている。
論文 参考訳（メタデータ） (2020-11-12T13:35:11Z) - Representation Learning via Cauchy Convolutional Sparse Coding [7.784354802855044]
畳み込みスパース符号化(CSC)は、(el)ノルムの忠実度項と、ペナルティを強制するスパーシティの両方を共同最適化することにより、特徴の教師なし学習を可能にする。
本研究では、CSC生成モデルの特徴写像の係数について、仮定されたコーシーから導出される正規化項を用いて検討する。
この事前から生じる空間的ペナルティ項は、その近位演算子によって解決され、特徴写像の係数に対して反復的に要素的に適用され、CSCコスト関数を最適化する。
論文 参考訳（メタデータ） (2020-08-08T08:21:44Z)
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。