論文の概要: Generative hypergraph clustering: from blockmodels to modularity
- arxiv url: http://arxiv.org/abs/2101.09611v2
- Date: Wed, 27 Jan 2021 21:26:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 09:08:35.212131
- Title: Generative hypergraph clustering: from blockmodels to modularity
- Title（参考訳）: 生成的ハイパーグラフクラスタリング:ブロックモデルからモジュラリティへ
- Authors: Philip S. Chodrow, Nate Veldt, and Austin R. Benson
- Abstract要約: 異質なノード度とエッジサイズを持つクラスタ化ハイパーグラフの表現的生成モデルを提案する。
我々は,100万ノードの合成ハイパーグラフを用いた実験など,ハイパーグラフ・ルーバインは高度にスケーラブルであることを示す。
このモデルを用いて,学校連絡ネットワークにおける高次構造の異なるパターン,米国議会法案共同提案,米国議会委員会,共同購入行動における製品カテゴリ,ホテルロケーションを分析した。
- 参考スコア（独自算出の注目度）: 26.99290024958576
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hypergraphs are a natural modeling paradigm for a wide range of complex
relational systems with multibody interactions. A standard analysis task is to
identify clusters of closely related or densely interconnected nodes. While
many probabilistic generative models for graph clustering have been proposed,
there are relatively few such models for hypergraphs. We propose a Poisson
degree-corrected hypergraph stochastic blockmodel (DCHSBM), an expressive
generative model of clustered hypergraphs with heterogeneous node degrees and
edge sizes. Approximate maximum-likelihood inference in the DCHSBM naturally
leads to a clustering objective that generalizes the popular modularity
objective for graphs. We derive a general Louvain-type algorithm for this
objective, as well as a a faster, specialized "All-Or-Nothing" (AON) variant in
which edges are expected to lie fully within clusters. This special case
encompasses a recent proposal for modularity in hypergraphs, while also
incorporating flexible resolution and edge-size parameters. We show that
hypergraph Louvain is highly scalable, including as an example an experiment on
a synthetic hypergraph of one million nodes. We also demonstrate through
synthetic experiments that the detectability regimes for hypergraph community
detection differ from methods based on dyadic graph projections. In particular,
there are regimes in which hypergraph methods can recover planted partitions
even though graph based methods necessarily fail due to information-theoretic
limits. We use our model to analyze different patterns of higher-order
structure in school contact networks, U.S. congressional bill cosponsorship,
U.S. congressional committees, product categories in co-purchasing behavior,
and hotel locations from web browsing sessions, that it is able to recover
ground truth clusters in empirical data sets exhibiting the corresponding
higher-order structure.
- Abstract（参考訳）: ハイパーグラフは多体相互作用を持つ幅広い複雑な関係系に対する自然なモデリングパラダイムである。
標準的な分析タスクは、密接な関係または密接な相互接続ノードのクラスタを特定することである。
グラフクラスタリングの確率的生成モデルが多数提案されているが、ハイパーグラフのモデルは比較的少ない。
不均一なノード度とエッジサイズを持つクラスタ化ハイパーグラフの表現的生成モデルであるPoisson次補正ハイパーグラフ確率ブロックモデル(DCHSBM)を提案する。
DCHSBMにおける近似最大形推論は、グラフの一般的なモジュラリティ目的を一般化するクラスタリング目的を自然に導く。
この目的のための一般的なルーヴァイン型アルゴリズムと、エッジがクラスタ内に完全に配置されることが予想される、より高速で特殊な"All-Or-Nothing"(AON)バリアントを導出する。
この特別なケースは、ハイパーグラフのモジュラリティに関する最近の提案を含んでおり、フレキシブルな解像度とエッジサイズパラメータも取り入れている。
我々は,100万ノードの合成ハイパーグラフを用いた実験など,ハイパーグラフ・ルーバインは高度にスケーラブルであることを示す。
また,ハイパーグラフコミュニティ検出のための検出可能性レジームが,dyadicグラフ投影に基づく手法と異なることを合成実験により示す。
特に、情報理論の限界によりグラフベースの手法が必ず失敗しても、ハイパーグラフ法が植え込み分割を復元できる体制が存在する。
このモデルを用いて,学校連絡ネットワークにおける高次構造の異なるパターン,米国議会法案共同提案,米国議会委員会,共同購入行動における製品カテゴリ,およびwebブラウジングセッションからのホテルロケーションを分析し,対応する高次構造を示す経験的データセットにおいて,真理クラスタの復元を可能にする。
関連論文リスト
- SPHINX: Structural Prediction using Hypergraph Inference Network [19.853413818941608]
本稿では,非教師付き手法で遅延ハイパーグラフ構造を推論するモデルであるハイパーグラフ推論ネットワーク(SPHINX)を用いた構造予測を提案する。
k-サブセットサンプリングの最近の進歩は、離散ハイパーグラフ構造を生成するのに適したツールであることを示す。
結果として得られるモデルは、現代のハイパーグラフニューラルネットワークに必要な高次構造を生成することができる。
論文 参考訳（メタデータ） (2024-10-04T07:49:57Z) - HyperSMOTE: A Hypergraph-based Oversampling Approach for Imbalanced Node Classifications [2.172034690069702]
ハイパーグラフ学習におけるクラス不均衡問題を緩和する手法としてHyperSMOTEを提案する。
マイノリティクラスとその周辺地域のサンプルに基づいて新しいノードを合成する。
新たなノードをハイパーグラフに統合する際の問題を解決するために,元のハイパーグラフインシデント行列に基づいてデコーダを訓練する。
論文 参考訳（メタデータ） (2024-09-09T08:01:28Z) - Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。
HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。
局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
論文 参考訳（メタデータ） (2023-12-18T17:50:52Z) - From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。
次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。
提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文 参考訳（メタデータ） (2023-06-16T04:40:59Z) - Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。
THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。
3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文 参考訳（メタデータ） (2023-06-05T03:26:06Z) - Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。
本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。
実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
論文 参考訳（メタデータ） (2022-07-14T06:17:00Z) - Nonbacktracking spectral clustering of nonuniform hypergraphs [2.408714894793063]
非一様ハイパーグラフに対するスペクトルクラスタリングをハイパーグラフ非追跡演算子を用いて検討する。
本稿では,線形化された信念伝達を用いたハイパーグラフブロックモデルにおける推論の交互化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-04-27T01:14:06Z) - Hypergraph Convolutional Networks via Equivalency between Hypergraphs
and Undirected Graphs [59.71134113268709]
本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。
本稿では,提案するフレームワークが最先端の性能を達成できることを示す。
ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
論文 参考訳（メタデータ） (2022-03-31T10:46:47Z) - Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。
我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。
HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
論文 参考訳（メタデータ） (2021-06-12T02:07:07Z) - Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。
我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。
HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
論文 参考訳（メタデータ） (2021-06-10T12:37:55Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。