論文の概要: An improved spectral clustering method for community detection under the degree-corrected stochastic blockmodel

• arxiv url: http://arxiv.org/abs/2011.06374v1
• Date: Thu, 12 Nov 2020 13:35:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 06:42:57.328087
• Title: An improved spectral clustering method for community detection 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コミュニティ検出のためのスペクトルクラスタリングの改良
• Authors: Huan Qing and Jingli Wang
• Abstract要約: 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。
• 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: For community detection problem, spectral clustering is a widely used method for detecting clusters in networks. In this paper, we propose an improved spectral clustering (ISC) approach under the degree corrected stochastic block model (DCSBM). ISC is designed based on the k-means clustering algorithm on the weighted leading K + 1 eigenvectors of a regularized Laplacian matrix where the weights are their corresponding eigenvalues. Theoretical analysis of ISC shows that under mild conditions the ISC yields stable consistent community detection. Numerical results show that ISC outperforms classical spectral clustering methods for community detection on both simulated and eight empirical networks. Especially, ISC provides a significant improvement on two weak signal networks Simmons and Caltech, with error rates of 121/1137 and 96/590, respectively.
• Abstract（参考訳）: コミュニティ検出問題では、スペクトルクラスタリングはネットワーク内のクラスタを検出する手段として広く使われている。 本稿では,次数補正確率ブロックモデル(dcsbm)に基づくスペクトルクラスタリング(isc)手法の改良を提案する。 ISCは、重みが対応する固有値である正規化ラプラシア行列の重み付きリードK + 1固有ベクトル上のk平均クラスタリングアルゴリズムに基づいて設計されている。 iscの理論的解析は、穏やかな条件下でiscは安定したコミュニティ検出をもたらすことを示している。 シミュレーションと8つの経験的ネットワーク上でのコミュニティ検出において,ISCは従来のスペクトルクラスタリング法よりも優れていた。 特に、ICCは2つの弱い信号ネットワークSimmonsとCaltechに対して、それぞれ121/1137と96/590のエラー率で大幅に改善している。

関連論文リスト

• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
  観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。 本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• 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 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)
• Consistency of regularized spectral clustering in degree-corrected mixed membership model [1.0965065178451106]
  正規化ラプラシア行列に基づく混合正規化スペクトルクラスタリング(Mixed-RSC,略してMixed-RSC)と呼ばれる効率的な手法を提案する。 混合RSCは、人口正規化ラプラシア行列の固有分解のための変種の理想的な錐構造に基づいて設計されている。 提案アルゴリズムは,各ノードの推定メンバシップベクトルに対する誤差境界を提供することにより,穏やかな条件下での整合性を示す。
  論文  参考訳（メタデータ） (2020-11-23T02:30:53Z)
• Dual regularized Laplacian spectral clustering methods on community detection [1.0965065178451106]
  双対正則グラフラプラシアン行列を提案し、これを次数補正ブロックモデルの下で3つの古典スペクトルクラスタリング手法に応用する。 3つの改良されたスペクトルクラスタリング法は、二重正則スペクトルクラスタリング (DRSC) 法、二重正則スペクトルクラスタリング (DRSCORE) 法、二重正則対称性ラプラシア逆行列 (DRSLIM) 法である。
  論文  参考訳（メタデータ） (2020-11-09T12:49:25Z)
• 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)
• Clustering Binary Data by Application of Combinatorial Optimization Heuristics [52.77024349608834]
  本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。 近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。 準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
  論文  参考訳（メタデータ） (2020-01-06T23:33:31Z)

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。