論文の概要: Spectral clustering on spherical coordinates under the degree-corrected stochastic blockmodel

• arxiv url: http://arxiv.org/abs/2011.04558v3
• Date: Wed, 8 Sep 2021 21:06:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 00:24:34.643910
• Title: Spectral clustering on spherical coordinates under the degree-corrected stochastic blockmodel
• Title（参考訳）: 次数補正確率ブロックモデルによる球面座標上のスペクトルクラスタリング
• Authors: Francesco Sanna Passino, Nicholas A. Heard and Patrick Rubin-Delanchy
• Abstract要約: 次数補正ブロックモデルに基づく新しいスペクトルクラスタリングアルゴリズムを提案する。 その結果,コンピュータネットワークにおける競合手法よりも性能が向上した。
• 参考スコア（独自算出の注目度）: 5.156484100374058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral clustering is a popular method for community detection in network graphs: starting from a matrix representation of the graph, the nodes are clustered on a low dimensional projection obtained from a truncated spectral decomposition of the matrix. Estimating correctly the number of communities and the dimension of the reduced latent space is critical for good performance of spectral clustering algorithms. Furthermore, many real-world graphs, such as enterprise computer networks studied in cyber-security applications, often display heterogeneous within-community degree distributions. Such heterogeneous degree distributions are usually not well captured by standard spectral clustering algorithms. In this article, a novel spectral clustering algorithm is proposed for community detection under the degree-corrected stochastic blockmodel. The proposed method is based on a transformation of the spectral embedding to spherical coordinates, and a novel modelling assumption in the transformed space. The method allows for simultaneous and automated selection of the number of communities and the latent dimension for spectral embeddings of graphs with uneven node degrees. Results show improved performance over competing methods in representing computer networks.
• Abstract（参考訳）: スペクトルクラスタリングは、ネットワークグラフにおけるコミュニティ検出の一般的な方法である: グラフのマトリックス表現から、ノードは、行列の断続したスペクトル分解から得られた低次元の投影上にクラスタ化される。 スペクトルクラスタリングアルゴリズムの性能向上には,コミュニティの数と潜在空間の次元を正しく推定することが重要である。 さらに、サイバーセキュリティアプリケーションで研究されているエンタープライズコンピュータネットワークのような現実世界のグラフは、しばしば異質なコミュニティ内分布を示す。 このような不均一度分布は通常、標準的なスペクトルクラスタリングアルゴリズムではうまく捉えられていない。 本稿では,次数補正確率ブロックモデルに基づくコミュニティ検出のために,新しいスペクトルクラスタリングアルゴリズムを提案する。 提案手法は、スペクトル埋め込みの球面座標への変換と、変換空間における新しいモデリング仮定に基づいている。 この方法により,ノード次数不均一なグラフのスペクトル埋め込みにおいて,コミュニティ数と潜在次元を同時かつ自動選択することができる。 その結果,コンピュータネットワークにおける競合手法よりも性能が向上した。

関連論文リスト

• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• Adaptive Graph Convolutional Subspace Clustering [10.766537212211217]
  スペクトル型サブスペースクラスタリングアルゴリズムは多くのサブスペースクラスタリングアプリケーションにおいて優れた性能を示している。 本稿では,グラフ畳み込みネットワークにヒントを得たグラフ畳み込み手法を用いて特徴抽出法と係数行列制約を同時に開発する。 AGCSCを用いることで、元のデータサンプルの集合的特徴表現がサブスペースクラスタリングに適していると主張する。
  論文  参考訳（メタデータ） (2023-05-05T10:27:23Z)
• 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)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Spectral clustering under degree heterogeneity: a case for the random walk Laplacian [83.79286663107845]
  本稿では,ランダムウォークラプラシアンを用いたグラフスペクトル埋め込みが,ノード次数に対して完全に補正されたベクトル表現を生成することを示す。 次数補正ブロックモデルの特別な場合、埋め込みはK個の異なる点に集中し、コミュニティを表す。
  論文  参考訳（メタデータ） (2021-05-03T16:36:27Z)
• Scaling Graph Clustering with Distributed Sketches [1.1011268090482575]
  スペクトルクラスタリングにインスパイアされた手法として,ランダムな次元還元プロジェクションから得られた行列スケッチを用いる。 提案手法は,完全に動的なブロックモデルストリームが与えられた場合,性能の高いクラスタリング結果が得られる埋め込みを生成する。 また、ブロックモデルパラメータがその後の埋め込みの必要次元に与える影響についても検討し、ランダムなプロジェクションが分散メモリにおけるグラフクラスタリングの性能を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T17:38:04Z)
• Local Graph Clustering with Network Lasso [90.66817876491052]
  局所グラフクラスタリングのためのネットワークLasso法の統計的および計算的性質について検討する。 nLassoによって提供されるクラスタは、クラスタ境界とシードノードの間のネットワークフローを通じて、エレガントに特徴付けられる。
  論文  参考訳（メタデータ） (2020-04-25T17:52:05Z)
• 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)
• Randomized Spectral Clustering in Large-Scale Stochastic Block Models [13.366036495177923]
  統計的観点からランダム化されたスケッチアルゴリズムを用いてスペクトルクラスタリングについて検討する。 弱い条件下では、ランダム化されたスペクトルクラスタリングアルゴリズムは、元のスペクトルクラスタリングアルゴリズムと同じ理論的境界に導かれる。 Rclustと呼ばれる新しいRパッケージが開発され、一般に公開されている。
  論文  参考訳（メタデータ） (2020-01-20T04:15:25Z)

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。