論文の概要: Estimating mixed-memberships using the Symmetric Laplacian Inverse
Matrix
- arxiv url: http://arxiv.org/abs/2012.09561v1
- Date: Thu, 17 Dec 2020 13:19:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 07:38:06.471043
- Title: Estimating mixed-memberships using the Symmetric Laplacian Inverse
Matrix
- Title(参考訳): 対称ラプラシアン逆行列を用いた混合メンバーシップの推定
- Authors: Huan Qing and Jingli Wang
- Abstract要約: 混合会員コミュニティ検出のためのスペクトルクラスタリング手法Mixed-SLIMを提案する。
mixed-slim は次数補正混合メンバシップ (dcmm) モデルの下で対称ラプラシアン逆行列 (slim) に基づいて設計されている。
これらの4つのMixed-SLIMメソッドは、シミュレーションおよび実質的な実証データセットにおける最先端の方法よりも優れています。
- 参考スコア(独自算出の注目度): 1.370633147306388
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Community detection has been well studied in network analysis, and one
popular technique is spectral clustering which is fast and statistically
analyzable for detect-ing clusters for given networks. But the more realistic
case of mixed membership community detection remains a challenge. In this
paper, we propose a new spectral clustering method Mixed-SLIM for mixed
membership community detection. Mixed-SLIM is designed based on the symmetrized
Laplacian inverse matrix (SLIM) (Jing et al. 2021) under the degree-corrected
mixed membership (DCMM) model. We show that this algorithm and its regularized
version Mixed-SLIM {\tau} are asymptotically consistent under mild conditions.
Meanwhile, we provide Mixed-SLIM appro and its regularized version Mixed-SLIM
{\tau}appro by approximating the SLIM matrix when dealing with large networks
in practice. These four Mixed-SLIM methods outperform state-of-art methods in
simulations and substantial empirical datasets for both community detection and
mixed membership community detection problems.
- Abstract(参考訳): コミュニティ検出はネットワーク分析においてよく研究されており、あるネットワークに対して高速で統計的に分析可能なスペクトルクラスタリングが人気である。
しかし、混成会員コミュニティ検出のより現実的なケースは依然として課題である。
本稿では,混合会員コミュニティ検出のためのスペクトルクラスタリング手法Mixed-SLIMを提案する。
混合SLIMはシンメトリゼーションされたラプラシア逆行列 (SLIM) (Jing et al) に基づいて設計されている。
2021年) 度補正混合メンバーシップ(dcmm)モデル。
このアルゴリズムとその正規化バージョン Mixed-SLIM {\tau} は、温和な条件下で漸近的に整合していることを示す。
一方,Mixed-SLIMアポとその正規化バージョンであるMixed-SLIM {\tau}approは,大規模ネットワークを扱う場合のSLIM行列を近似することで提供する。
これらの4つの混合SLIM法は,コミュニティ検出問題と混合コミュニティ検出問題の両方において,シミュレーションにおける最先端の手法と実際の実験データセットより優れている。
関連論文リスト
- Fast Semi-supervised Unmixing using Non-convex Optimization [85.95119207126292]
半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。
スパース・アンミキシングの代替手法の有効性を実証する。
論文 参考訳(メタデータ) (2024-01-23T10:07:41Z) - A Robust and Flexible EM Algorithm for Mixtures of Elliptical
Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。
楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。
合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文 参考訳(メタデータ) (2022-01-28T10:01:37Z) - Learning Gaussian Mixtures with Generalised Linear Models: Precise
Asymptotics in High-dimensions [79.35722941720734]
多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。
実験的リスク最小化による高次元推定器の精度を実証する。
合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
論文 参考訳(メタデータ) (2021-06-07T16:53:56Z) - Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。
本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。
本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文 参考訳(メタデータ) (2021-02-04T02:21:08Z) - 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) - 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) - 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) - 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。