論文の概要: Local Hyper-flow Diffusion
- arxiv url: http://arxiv.org/abs/2102.07945v1
- Date: Tue, 16 Feb 2021 03:52:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-17 14:47:52.384780
- Title: Local Hyper-flow Diffusion
- Title(参考訳): 局所ハイパーフロー拡散
- Authors: Kimon Fountoulakis, Pan Li, Shenghao Yang
- Abstract要約: 現実の問題の多くはハイパーグラフと拡散アルゴリズムの利用を必要とする。
例えば、レコメンデーションシステム、フードネットワークにおけるノードランキング、ソーシャルネットワークにおけるコミュニティ検出などがあります。
本論文では,サブモジュラリティの仮定だけで高次関係を扱う最初の局所拡散法を提案する。
- 参考スコア(独自算出の注目度): 18.204046315638404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A plethora of real-world problems require utilization of hypergraphs and
diffusion algorithms. Examples include recommendation systems, node ranking in
food networks and community detection in social networks to mention a few. Due
to the increased size and complexity of real hypergraphs, local and accurate
diffusion algorithms that work with the most complex hypergraphs are in need.
We propose the first local diffusion method that works on higher-order
relations with only a submodularity assumption. Our method is based on a
primal-dual optimization formulation where the primal problem has a natural
network flow interpretation, and the dual problem has a cut-based
interpretation using the $\ell_2$-norm penalty for general submodular
cut-costs. We prove that the proposed formulation achieves quadratic
approximation error for the problem of local hypergraph clustering. We
demonstrate that the new technique is significantly better than
state-of-the-art methods over a range of real datasets for the local hypergraph
clustering and node ranking problems.
- Abstract(参考訳): 現実の問題の多くはハイパーグラフと拡散アルゴリズムの利用を必要とする。
例えば、レコメンデーションシステム、フードネットワークにおけるノードランキング、ソーシャルネットワークにおけるコミュニティ検出などがあります。
実ハイパーグラフのサイズと複雑さの増大により、最も複雑なハイパーグラフを扱う局所的および正確な拡散アルゴリズムが求められている。
本論文では,サブモジュラリティの仮定だけで高次関係を扱う最初の局所拡散法を提案する。
本手法は,プライマル問題は自然なネットワークフロー解釈を持ち,2重問題は一般のサブモジュラーカットコストに対して$\ell_2$-norm ペナルティを用いたカットベース解釈を持つ,プライマル・デュアル最適化定式に基づいている。
提案手法が局所ハイパーグラフクラスタリング問題に対する二次近似誤差を達成することを証明した。
本手法は,局所的なハイパーグラフクラスタリングやノードランキング問題に対する実データよりも,最先端の手法よりもはるかに優れていることを示す。
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) - 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) - Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse
Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。
具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。
提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文 参考訳(メタデータ) (2023-03-10T07:42:49Z) - 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) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Acceleration in Distributed Optimization Under Similarity [72.54787082152278]
集中ノードを持たないエージェントネットワーク上での分散(強い凸)最適化問題について検討する。
$varepsilon$-solutionは$tildemathcalrhoObig(sqrtfracbeta/mu (1-)log1/varepsilonbig)$通信ステップ数で達成される。
この速度は、関心のクラスに適用される分散ゴシップ-アルゴリズムの、初めて(ポリログ因子まで)より低い複雑性の通信境界と一致する。
論文 参考訳(メタデータ) (2021-10-24T04:03:00Z) - HyperSF: Spectral Hypergraph Coarsening via Flow-based Local Clustering [9.438207505148947]
本稿では,ハイパーグラフのスペクトル(構造)特性を保存するために,効率的なスペクトルハイパーグラフ粗大化手法を提案する。
提案手法は,ハイパーグラフクラスタリングのマルチウェイコンダクタンスを大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2021-08-17T22:20:23Z) - $\ell_2$-norm Flow Diffusion in Near-Linear Time [18.263667346853698]
我々は$ell$-normフロー拡散問題に対して$widetildeO(m)$-timeランダム化アルゴリズムを提供する。
これは単純に双対解ベクトルを網羅することによって実現される。
Laplacianシステムソルバの高レベルなアルゴリズムフレームワークに適応するが、いくつかの新しいツールが必要である。
論文 参考訳(メタデータ) (2021-05-30T21:27:58Z) - Generative hypergraph clustering: from blockmodels to modularity [26.99290024958576]
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。
論文 参考訳(メタデータ) (2021-01-24T00:25:22Z) - Effective Version Space Reduction for Convolutional Neural Networks [61.84773892603885]
アクティブラーニングでは、サンプリングバイアスは深刻な矛盾問題を引き起こし、アルゴリズムが最適な仮説を見つけるのを妨げる可能性がある。
本稿では,畳み込みニューラルネットワークを用いた能動学習について,バージョン空間削減の原理的レンズを用いて検討する。
論文 参考訳(メタデータ) (2020-06-22T17:40:03Z)
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。