論文の概要: DIGRAC: Digraph Clustering with Flow Imbalance

• arxiv url: http://arxiv.org/abs/2106.05194v1
• Date: Wed, 9 Jun 2021 16:33:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-10 18:46:47.573917
• Title: DIGRAC: Digraph Clustering with Flow Imbalance
• Title（参考訳）: DIGRAC:フロー不均衡を伴うグラフクラスタリング
• Authors: Yixuan He and Gesine Reinert and Mihai Cucuringu
• Abstract要約: 有向ネットワークに対するノード埋め込みを実現するために,新しい混合経路アグリゲーション方式を用いたグラフニューラルネットワークフレームワークを提案する。 提案手法は, 有向クラスタリングにおいて, 広範囲のノイズ, 疎度レベル, およびグラフ構造に対して, 最先端の結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 5.5023982421074855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Node clustering is a powerful tool in the analysis of networks. Here, we introduce a graph neural network framework with a novel scalable Directed Mixed Path Aggregation(DIMPA) scheme to obtain node embeddings for directed networks in a self-supervised manner, including a novel probabilistic imbalance loss. The method is end-to-end in combining embedding generation and clustering without an intermediate step. In contrast to standard approaches in the literature, in this paper, directionality is not treated as a nuisance, but rather contains the main signal. In particular, we leverage the recently introduced cut flow imbalance measure, which is tightly related to directionality; cut flow imbalance is optimized without resorting to spectral methods or cluster labels. Experimental results on synthetic data, in the form of directed stochastic block models and real-world data at different scales, demonstrate that our method attains state-of-the-art results on directed clustering, for a wide range of noise and sparsity levels, as well as graph structures.
• Abstract（参考訳）: ノードクラスタリングは、ネットワーク分析において強力なツールである。 本稿では,拡張性のあるDIMPA(Directed Mixed Path Aggregation)方式を用いたグラフニューラルネットワークフレームワークを提案する。 この方法は、中間ステップなしで埋め込み生成とクラスタリングを組み合わせたエンドツーエンドである。 文献の標準的なアプローチとは対照的に,本論文では方向性はニュアサンスとして扱うのではなく,主信号を含む。 特に,最近導入されたカットフロー不均衡尺度は方向性と密接に関連しており,スペクトル法やクラスタラベルを使わずにカットフロー不均衡を最適化している。 有向確率ブロックモデルと実世界データを異なるスケールで組み合わせた合成データの実験結果から,本手法が有向クラスタリングにおいて,広範囲のノイズと疎度レベル,およびグラフ構造に対して,最先端の結果が得られることを示した。

関連論文リスト

• Modularity aided consistent attributed graph clustering via coarsening [6.522020196906943]
  グラフクラスタリングは、属性付きグラフを分割し、コミュニティを検出するための重要な教師なし学習手法である。 本稿では,ブロックの最大化最小化手法を用いて,対数行列,滑らか性,モジュラリティを組み込んだ損失関数を提案する。 我々のアルゴリズムはグラフニューラルネットワーク(GNN)と変分グラフオートエンコーダ(VGAE)をシームレスに統合し、拡張ノードの特徴を学習し、例外的なクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2024-07-09T10:42:19Z)
• HeNCler: Node Clustering in Heterophilous Graphs through Learned Asymmetric Similarity [55.27586970082595]
  HeNClerは、Heterophilous Node Clusteringの新しいアプローチである。 HeNClerは異種グラフコンテキストにおけるノードクラスタリングタスクの性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2024-05-27T11:04:05Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• A GAN Approach for Node Embedding in Heterogeneous Graphs Using Subgraph Sampling [35.94125831564648]
  我々の研究は、グラフニューラルネットワーク(GNN)を用いた異種グラフのクラス不均衡問題に対処する。 本稿では,GAN(Generative Adversarial Networks)とGNN(Greative Adversarial Networks)の長所を結合し,データセットを効果的にバランスさせる合成ノードとエッジを作成する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T16:52:20Z)
• 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)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• SSSNET: Semi-Supervised Signed Network Clustering [4.895808607591299]
  SSSNETと呼ばれる半教師付きネットワーククラスタリングのためのGNNフレームワークにおいて、トレーニングノードに対する確率的バランスの取れた正規化カット損失を新たに導入する。 主な斬新なアプローチは、署名されたネットワーク埋め込みにおける社会的バランス理論の役割に関する新しい見解である。
  論文  参考訳（メタデータ） (2021-10-13T10:36:37Z)
• Graph Fairing Convolutional Networks for Anomaly Detection [7.070726553564701]
  半教師付き異常検出のためのスキップ接続付きグラフ畳み込みネットワークを提案する。 本モデルの有効性は,5つのベンチマークデータセットに対する広範な実験によって実証された。
  論文  参考訳（メタデータ） (2020-10-20T13:45:47Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)
• 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)

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。