論文の概要: Mixed Membership Graph Clustering via Systematic Edge Query

• arxiv url: http://arxiv.org/abs/2011.12988v2
• Date: Mon, 12 Jul 2021 04:07:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 03:58:57.261346
• Title: Mixed Membership Graph Clustering via Systematic Edge Query
• Title（参考訳）: システマティックエッジクエリによる混合メンバシップグラフクラスタリング
• Authors: Shahana Ibrahim, Xiao Fu
• Abstract要約: この研究は、ほとんど不完全なグラフのクラスタリングノードを考慮する。 問題設定の下では、エッジに関する少数のクエリしか作成できないが、グラフ全体はオブザーバブルではない。 この問題は,限定アノテーションを用いた大規模データクラスタリング,限定された調査リソースによるコミュニティ検出,グラフトポロジ推論などに適用できる。
• 参考スコア（独自算出の注目度）: 22.77704627076251
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work considers clustering nodes of a largely incomplete graph. Under the problem setting, only a small amount of queries about the edges can be made, but the entire graph is not observable. This problem finds applications in large-scale data clustering using limited annotations, community detection under restricted survey resources, and graph topology inference under hidden/removed node interactions. Prior works tackled this problem from various perspectives, e.g., convex programming-based low-rank matrix completion and active query-based clique finding. Nonetheless, many existing methods are designed for estimating the single-cluster membership of the nodes, but nodes may often have mixed (i.e., multi-cluster) membership in practice. Some query and computational paradigms, e.g., the random query patterns and nuclear norm-based optimization advocated in the convex approaches, may give rise to scalability and implementation challenges. This work aims at learning mixed membership of nodes using queried edges. The proposed method is developed together with a systematic query principle that can be controlled and adjusted by the system designers to accommodate implementation challenges -- e.g., to avoid querying edges that are physically hard to acquire. Our framework also features a lightweight and scalable algorithm with membership learning guarantees. Real-data experiments on crowdclustering and community detection are used to showcase the effectiveness of our method.
• Abstract（参考訳）: この研究は、ほとんど不完全なグラフのクラスタリングノードを考慮する。 問題設定の下では、エッジに関する少数のクエリしか作成できないが、全体のグラフは観測できない。 この問題は,限定アノテーションを用いた大規模データクラスタリング,限定された調査リソースによるコミュニティ検出,隠蔽/削除されたノード相互作用によるグラフトポロジ推論などに適用できる。 以前の研究では、凸プログラミングに基づく低ランク行列の補完や、クエリベースのclique検索など、様々な観点からこの問題に取り組みました。 それにもかかわらず、既存の多くのメソッドはノードの単一クラスタメンバシップを推定するために設計されているが、実際にはノードが混合(複数クラスタ)メンバシップを持つことが多い。 いくつかのクエリおよび計算パラダイム、例えば、凸アプローチで提唱されたランダムなクエリパターンと核ノルムに基づく最適化は、スケーラビリティと実装上の課題を引き起こす可能性がある。 本研究の目的は,問合せエッジを用いたノードの混合メンバシップの学習である。 提案手法はシステム設計者が実装上の課題に対応するために制御・調整できる体系的問合せ原則(例えば、物理的に取得が難しいエッジへの問合せを避ける)とともに開発されている。 私たちのフレームワークは、メンバーシップ学習を保証する軽量でスケーラブルなアルゴリズムも備えています。 クラウドクラスタ化とコミュニティ検出に関する実データ実験を用いて,提案手法の有効性を示す。

関連論文リスト

• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
  我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。 ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。 人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
  論文  参考訳（メタデータ） (2024-03-28T15:45:03Z)
• Large Scale Constrained Clustering With Reinforcement Learning [1.3597551064547502]
  ネットワークが与えられた場合、各ノードではなく、クラスタレベルでリソースを割り当てることによって、リソースの割り当てと使用効率が向上する。 本稿では,この制約付きクラスタリング問題を強化学習を用いて解く手法を提案する。 結果の節では,大規模インスタンスにおいても,アルゴリズムが最適に近い解を見つけることを示す。
  論文  参考訳（メタデータ） (2024-02-15T18:27:18Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation [65.268245109828]
  オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。 オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。 本稿では,データ拡張を必要としない手法を提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:23:26Z)
• Distributed Solution of the Inverse Rig Problem in Blendshape Facial Animation [0.0]
  リグのインバージョンは、アバターの現実的で魅力的なパフォーマンスを可能にするため、顔アニメーションの中心である。 より高速なソリューションへのアプローチとして、顔の空間的性質を活用するクラスタリングがある。 本稿では、重なり合うコンポーネントのより確実な推定を得るために、クラスタ結合を伴ってさらに一歩進める。
  論文  参考訳（メタデータ） (2023-03-11T10:34:07Z)
• Frequent Itemset-driven Search for Finding Minimum Node Separators in Complex Networks [61.2383572324176]
  本稿では,データマイニングにおける頻繁なアイテムセットマイニングの概念をよく知られたメメティック検索フレームワークに統合する,頻繁なアイテムセット駆動探索手法を提案する。 頻繁なアイテムセット組換え演算子を反復的に使用して、高品質なソリューションで頻繁に発生するアイテムセットに基づいた有望な子孫ソリューションを生成する。 特に、29個の新しい上界を発見し、以前の18個の最もよく知られた境界と一致する。
  論文  参考訳（メタデータ） (2022-01-18T11:16:40Z)
• Weighted Sparse Subspace Representation: A Unified Framework for Subspace Clustering, Constrained Clustering, and Active Learning [0.3553493344868413]
  まず,近距離点の疎凸結合として各点を表現しようとするスペクトルに基づく新しい部分空間クラスタリングアルゴリズムを提案する。 次に、アルゴリズムを制約付きクラスタリングとアクティブな学習設定に拡張します。 このようなフレームワークを開発する動機は、通常、少量のラベル付きデータが事前に利用可能であるという事実や、いくつかのポイントをコストでラベル付けできるという事実に起因しています。
  論文  参考訳（メタデータ） (2021-06-08T13:39:43Z)
• SMLSOM: The shrinking maximum likelihood self-organizing map [0.0]
  本稿では,確率分布モデルフレームワークに基づいて,適切な数のクラスタを自動的に選択するグリージーアルゴリズムを提案する。 既存の手法と比較して,提案手法は計算効率が高く,クラスタ数を正確に選択できる。
  論文  参考訳（メタデータ） (2021-04-28T18:50:36Z)
• Overlapping community detection in networks via sparse spectral decomposition [1.0660480034605242]
  各ノードが複数のコミュニティに属することができるネットワークにおいて,重複するコミュニティメンバシップを推定する問題を考える。 本アルゴリズムは,反復しきい値を用いたスパース主部分空間推定に基づく。 アルゴリズムの固定点がブロックモデルの下での正しいノードメンバシップに対応することを示す。
  論文  参考訳（メタデータ） (2020-09-20T07:31:09Z)
• 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。