論文の概要: Higher-Order Spectral Clustering of Directed Graphs

• arxiv url: http://arxiv.org/abs/2011.05080v1
• Date: Tue, 10 Nov 2020 13:06:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 08:26:16.673995
• Title: Higher-Order Spectral Clustering of Directed Graphs
• Title（参考訳）: 有向グラフの高次スペクトルクラスタリング
• Authors: Steinar Laenen and He Sun
• Abstract要約: クラスタリングはアルゴリズムにおいて重要なトピックであり、機械学習、コンピュータビジョン、統計学、その他いくつかの研究分野に多くの応用がある。 本稿では,グラフクラスタリングのためのほぼ線形時間アルゴリズムを提案し,提案アルゴリズムが妥当な仮定の下でサブ線形時間で実装可能であることを示す。
• 参考スコア（独自算出の注目度）: 8.997952791113232
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clustering is an important topic in algorithms, and has a number of applications in machine learning, computer vision, statistics, and several other research disciplines. Traditional objectives of graph clustering are to find clusters with low conductance. Not only are these objectives just applicable for undirected graphs, they are also incapable to take the relationships between clusters into account, which could be crucial for many applications. To overcome these downsides, we study directed graphs (digraphs) whose clusters exhibit further "structural" information amongst each other. Based on the Hermitian matrix representation of digraphs, we present a nearly-linear time algorithm for digraph clustering, and further show that our proposed algorithm can be implemented in sublinear time under reasonable assumptions. The significance of our theoretical work is demonstrated by extensive experimental results on the UN Comtrade Dataset: the output clustering of our algorithm exhibits not only how the clusters (sets of countries) relate to each other with respect to their import and export records, but also how these clusters evolve over time, in accordance with known facts in international trade.
• Abstract（参考訳）: クラスタリングはアルゴリズムの重要なトピックであり、機械学習、コンピュータビジョン、統計学、その他いくつかの研究分野に多くの応用がある。 従来のグラフクラスタリングの目的は、コンダクタンスの低いクラスタを見つけることである。 これらの目的が単に無向グラフに適用できるだけでなく、クラスタ間の関係を考慮に入れられないため、多くのアプリケーションにとって不可欠である。 これらの欠点を克服するために,クラスタが相互にさらに"構造的"な情報を示す有向グラフ (digraphs) について検討した。 ダイグラフのエルミート行列表現に基づいて、ダイグラフクラスタリングのためのほぼ線形時間アルゴリズムを提案し、さらに、提案アルゴリズムが妥当な仮定の下でサブ線形時間で実装可能であることを示す。 我々の理論的な研究の意義は、uncomtradeデータセットに関する広範な実験結果によって示される: このアルゴリズムの出力クラスタリングは、これらのクラスター(国の集合)が、その輸入および輸出記録に対してどのように相互に関係しているかを示すだけでなく、これらのクラスターが国際貿易における既知の事実に従って、時間とともにどのように進化するかを示す。

関連論文リスト

• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• A Graph-Theoretic Framework for Understanding Open-World Semi-Supervised Learning [33.05104609131764]
  オープンワールド半教師あり学習は、未知のデータに既知のクラスと新しいクラスの両方を推定することを目的としている。 本稿では,オープンワールド設定に適したグラフ理論フレームワークを定式化する。 我々のグラフ理論フレームワークは実用的なアルゴリズムを照らし、保証を提供する。
  論文  参考訳（メタデータ） (2023-11-06T21:15:09Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• On Learning the Structure of Clusters in Graphs [3.8073142980733]
  多くの実世界のアプリケーションでは、クラスタは大きなハイレベルな構造を持つ。 これはグラフクラスタリングアルゴリズムの設計と解析においてしばしば見過ごされる。 この論文は、クラスタの構造を効率的に学習できるかどうかという自然問題に対処する。
  論文  参考訳（メタデータ） (2022-12-29T15:26:19Z)
• Koopman-based spectral clustering of directed and time-evolving graphs [0.3655021726150368]
  非指向グラフのためのスペクトルクラスタリングアルゴリズムは十分に確立されており、教師なし機械学習問題にうまく適用されている。 しかし、有向グラフのクラスタ化は依然として困難であり、有向グラフのクラスタの定義は広く受け入れられていない。 ラプラシアンと転送演算子の関係を用いた有向グラフと時間進化グラフのクラスタリングアルゴリズムを導出する。 結果として得られるクラスターはコヒーレントな集合として解釈することができ、流体の輸送と混合過程の解析において重要な役割を果たす。
  論文  参考訳（メタデータ） (2022-04-06T17:33:24Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Local Algorithms for Finding Densely Connected Clusters [3.2901541059183432]
  局所グラフクラスタリングは、巨大なグラフを分析するための重要なテクニックである。 最近の研究は、実世界のデータセットを分析する際に、クラスタ間の相互接続の重要性を強調している。
  論文  参考訳（メタデータ） (2021-06-09T17:40:45Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)

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。