論文の概要: Spectral clustering via adaptive layer aggregation for multi-layer networks

• arxiv url: http://arxiv.org/abs/2012.04646v1
• Date: Mon, 7 Dec 2020 21:58:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 21:32:22.360485
• Title: Spectral clustering via adaptive layer aggregation for multi-layer networks
• Title（参考訳）: 多層ネットワークのための適応層アグリゲーションによるスペクトルクラスタリング
• Authors: Sihan Huang, Haolei Weng, Yang Feng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.0073653636512585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the fundamental problems in network analysis is detecting community structure in multi-layer networks, of which each layer represents one type of edge information among the nodes. We propose integrative spectral clustering approaches based on effective convex layer aggregations. Our aggregation methods are strongly motivated by a delicate asymptotic analysis of the spectral embedding of weighted adjacency matrices and the downstream $k$-means clustering, in a challenging regime where community detection consistency is impossible. In fact, the methods are shown to estimate the optimal convex aggregation, which minimizes the mis-clustering error under some specialized multi-layer network models. Our analysis further suggests that clustering using Gaussian mixture models is generally superior to the commonly used $k$-means in spectral clustering. Extensive numerical studies demonstrate that our adaptive aggregation techniques, together with Gaussian mixture model clustering, make the new spectral clustering remarkably competitive compared to several popularly used methods.
• Abstract（参考訳）: ネットワーク分析における根本的な問題の一つは、各層がノード間の1種類のエッジ情報を表すマルチレイヤネットワークのコミュニティ構造を検出することである。 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。 本手法は,コミュニティ検出の一貫性が不可能である難解なシステムにおいて,重み付き隣接行列のスペクトル埋め込みと下流の$k$-meansクラスタリングの微妙な漸近解析に強く動機づけられている。 実際、いくつかの特殊な多層ネットワークモデルの下での誤クラスタ化エラーを最小限に抑える最適凸凝集を推定する手法が示されている。 さらに,ガウス混合モデルを用いたクラスタリングは,スペクトルクラスタリングにおける一般的な$k$-meansよりも優れていることが示唆された。 広範な数値研究により,我々の適応集計手法とガウス混合モデルクラスタリングの併用により,新しいスペクトルクラスタリングは,いくつかの一般的な手法と比較して著しく競合することが示された。

関連論文リスト

• Community detection by spectral methods in multi-layer networks [0.0]
  多層ネットワークにおけるコミュニティ検出は,ネットワーク解析において重要な問題である。 1つのアルゴリズムは隣接行列の和に基づいており、もう1つは2乗隣接行列の偏りの和を利用する。 数値シミュレーションにより, このアルゴリズムは, 多層ネットワークにおける既存のコミュニティ検出手法を超越した2乗隣接行列のデバイアス和を用いていることを確認した。
  論文  参考訳（メタデータ） (2024-03-19T08:29:47Z)
• Optimal Clustering of Discrete Mixtures: Binomial, Poisson, Block Models, and Multi-layer Networks [9.57586103097079]
  多層ネットワークが存在する場合のクラスタリングネットワークの基本的限界について検討する。 混合多層ブロックモデル (MMSBM) では, 最適ネットワーククラスタリング誤差率の最小値が指数関数形式であることを示す。 本稿では,ノード分割とサンプル分割の両方を含むテンソルベースアルゴリズムを含む,新しい2段階ネットワーククラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2023-11-27T07:48:50Z)
• DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks [53.88811980967342]
  本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。 ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。 6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
  論文  参考訳（メタデータ） (2022-06-01T09:51:38Z)
• 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)
• Spatially Coherent Clustering Based on Orthogonal Nonnegative Matrix Factorization [0.0]
  本稿では,クラスタメンバシップ行列の総変動(TV)正規化手順に基づく作業クラスタリングモデルを紹介する。 マトリックス支援レーザー脱離イオン化イメージング測定から得られた超スペクトルデータセット上の提案手法をすべて数値的に評価する。
  論文  参考訳（メタデータ） (2021-04-25T23:40:41Z)
• Clustering Ensemble Meets Low-rank Tensor Approximation [50.21581880045667]
  本稿では,複数のクラスタリングを組み合わせ,個々のクラスタリングよりも優れたパフォーマンスを実現するクラスタリングアンサンブルの問題について検討する。 本稿では,この問題をグローバルな視点から解くために,新しい低ランクテンソル近似法を提案する。 7つのベンチマークデータセットを用いた実験の結果,提案手法は12の最先端手法と比較して,クラスタリング性能のブレークスルーを達成した。
  論文  参考訳（メタデータ） (2020-12-16T13:01:37Z)
• An improved spectral clustering method for community detection under the degree-corrected stochastic blockmodel [1.0965065178451106]
  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。
  論文  参考訳（メタデータ） (2020-11-12T13:35:11Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from Cross View and Each View [68.88732535086338]
  本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。 5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-08-23T08:25:06Z)
• 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)
• Motif-Based Spectral Clustering of Weighted Directed Networks [6.1448102196124195]
  クラスタリングは、様々な分野の応用において、ネットワーク分析に不可欠な技術である。 一つのアプローチは、モチーフ隣接行列を用いて高次構造を捕捉し、クラスタ化することである。 本稿では,重み付きネットワーク上での隣接行列のモチーフとして,新しい,計算に有用な行列式を提案する。
  論文  参考訳（メタデータ） (2020-04-02T22:45:28Z)

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。