論文の概要: Hierarchical Clustering and Zeroth Persistent Homology
- arxiv url: http://arxiv.org/abs/2012.02655v1
- Date: Fri, 4 Dec 2020 15:30:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 20:36:12.937149
- Title: Hierarchical Clustering and Zeroth Persistent Homology
- Title(参考訳): 階層的クラスタリングとゼロ永久ホモロジー
- Authors: \.Ismail G\"uzel and Atabey Kaygun
- Abstract要約: 階層的クラスタリングと0番目の永続的ホモロジーが、与えられたデータセットについて同じ位相情報を提供することを示す。
任意のコヒーネティック行列と同様に、根木(デンドグラムとも呼ばれる)を通してゼロトホモロジークラスの相互関係を表示することもできる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this article, we show that hierarchical clustering and the zeroth
persistent homology do deliver the same topological information about a given
data set. We show this fact using cophenetic matrices constructed out of the
filtered Vietoris-Rips complex of the data set at hand. As in any cophenetic
matrix, one can also display the inter-relations of zeroth homology classes via
a rooted tree, also known as a dendogram. Since homological cophenetic matrices
can be calculated for higher homologies, one can also sketch similar dendograms
for higher persistent homology classes.
- Abstract(参考訳): 本稿では,階層的クラスタリングと第0次永続ホモロジーが,与えられたデータセットに関する同じ位相情報を提供することを示す。
この事実は、手元にあるデータセットのフィルター付きビエトリス-リップス複合体から構築されたコヒーネティック行列を用いて示される。
任意のコヒーネティック行列と同様に、根木(デンドグラムとも呼ばれる)を通してゼロトホモロジークラスの相互関係を表示することもできる。
ホモロジーコヒーネティック行列は高いホモロジーに対して計算できるので、高い永続ホモロジークラスのための類似のデンドグラムをスケッチすることもできる。
関連論文リスト
- Low-dimensional polaritonics: Emergent non-trivial topology on
exciton-polariton simulators [0.0]
次元$D=2$のポラリトニック格子構成は、対称性クラスAハミルトニアンに基づく位相位相のシミュレータとして用いられる。
我々は、結合された分極配列系における位相位相のソースと構造を完全に扱う包括的な数学的枠組みを提供する。
論文 参考訳(メタデータ) (2023-10-31T04:22:58Z) - HomoGCL: Rethinking Homophily in Graph Contrastive Learning [64.85392028383164]
HomoGCL はモデルに依存しないフレームワークで、近隣のノードに固有の意味を持つ正の集合を拡大する。
我々は、HomoGCLが6つの公開データセットにまたがって複数の最先端結果をもたらすことを示す。
論文 参考訳(メタデータ) (2023-06-16T04:06:52Z) - Toroidal Coordinates: Decorrelating Circular Coordinates With Lattice
Reduction [1.9437538125261753]
本稿では,一連の線形独立コホモロジークラスから,低エネルギートーラス値マップをデータ上に構築するための体系的な手順について述べる。
本アルゴリズムはLenstra-stra--Lov'aszアルゴリズムに基づく計算数理論に基づく。
論文 参考訳(メタデータ) (2022-12-14T12:59:25Z) - Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。
6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-05-21T01:47:17Z) - Tangles and Hierarchical Clustering [0.0]
三角形と階層分解を連結する中心双対定理は、部分モジュラリティが最大部分モジュラリティと呼ばれる別の性質に置き換わるときに成立することを示す。
階層的クラスタリング結果を表すデータ構造であるデンドグラムは,最大部分モジュラ接続関数とその三角形と等価であることを示す。
論文 参考訳(メタデータ) (2022-03-16T16:23:48Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳(メタデータ) (2021-10-12T02:21:30Z) - The decomposition of the higher-order homology embedding constructed
from the $k$-Laplacian [5.076419064097734]
k$-階ラプラシアン $mathbfmathcal L_k$ の零空間は、多様体やネットワークの非自明な位相を符号化する。
多様体の最も単純な位相成分に対応する部分空間に埋め込まれたホモロジーを分解するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-07-23T00:40:01Z) - Linear Polytree Structural Equation Models: Structural Learning and
Inverse Correlation Estimation [6.324929073951876]
我々は、線形構造方程式モデル(SEM)からデータを生成する際に、有向非巡回グラフ(DAG)を学習する問題に興味を持っている。
ガウスモデルとガウスモデルの両方の下で、よく知られたChow-Liuアルゴリズムのサンプルサイズ条件を調べ、ポリツリーの同値クラスを正確に復元する。
論文 参考訳(メタデータ) (2021-07-22T23:22:20Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳(メタデータ) (2021-03-05T04:42:32Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳(メタデータ) (2020-08-31T08:41:20Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳(メタデータ) (2020-02-20T09:53:28Z)
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。