Fugu-MT 論文翻訳(概要): Template-Based Graph Clustering

論文の概要: Template-Based Graph Clustering

arxiv url: http://arxiv.org/abs/2107.01994v1
Date: Mon, 5 Jul 2021 13:13:34 GMT
ステータス: 処理完了
システム内更新日: 2021-07-06 15:07:51.202039
Title: Template-Based Graph Clustering
Title（参考訳）: テンプレートベースのグラフクラスタリング
Authors: Mateus Riva and Florian Yger and Pietro Gori and Roberto M. Cesar Jr. and Isabelle Bloch
Abstract要約: クラスタ(またはコミュニティ)の基盤構造に関する追加情報によってガイドされる新しいグラフクラスタリング手法を提案する。クラスタの密度とそれらの関係をエンコードする関連する事前条件により,本手法は古典的手法,特に挑戦的ケースにおいて優れる。
参考スコア（独自算出の注目度）: 5.4352987210173955
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel graph clustering method guided by additional information on the underlying structure of the clusters (or communities). The problem is formulated as the matching of a graph to a template with smaller dimension, hence matching $n$ vertices of the observed graph (to be clustered) to the $k$ vertices of a template graph, using its edges as support information, and relaxed on the set of orthonormal matrices in order to find a $k$ dimensional embedding. With relevant priors that encode the density of the clusters and their relationships, our method outperforms classical methods, especially for challenging cases.
Abstract（参考訳）: 本稿では,クラスタ(あるいはコミュニティ)の基盤構造に関する追加情報によってガイドされる新しいグラフクラスタリング手法を提案する。この問題は、グラフとより小さな次元のテンプレートとのマッチングとして定式化され、従って観測されたグラフの$n$頂点とテンプレートグラフの$k$頂点とをマッチングし、そのエッジをサポート情報として使用し、正則行列の集合上で緩和して、$k$次元埋め込みを求める。クラスターの密度とその関係をエンコードする関連する前処理により,本手法は古典的手法,特に難解な場合よりも優れる。

関連論文リスト

Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。モデルはGCNを適用するために初期グラフを事前に推定する。一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文参考訳（メタデータ） (2024-02-25T07:03:37Z)
Latent Random Steps as Relaxations of Max-Cut, Min-Cut, and More [30.919536115917726]
クラスタリングと単純化を統一する非負行列分解に基づく確率モデルを提案する。ハードクラスタリングをソフトクラスタリングに緩和することにより、ハードクラスタリングの潜在的な問題をトラクタブルクラスタに緩和する。
論文参考訳（メタデータ） (2023-08-12T02:47:57Z)
Deep Graph-Level Clustering Using Pseudo-Label-Guided Mutual Information Maximization Network [31.38584638254226]
我々は、グラフの集合を異なるグループに分割する問題を、同じグループのグラフが類似しているのに対して、異なるグループのグラフが異なるように研究する。この問題を解決するために,Deep Graph-Level Clustering (DGLC) と呼ばれる新しい手法を提案する。 DGLCはグラフレベルの表現学習とグラフレベルのクラスタリングをエンドツーエンドで実現しています。
論文参考訳（メタデータ） (2023-02-05T12:28:08Z)
GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文参考訳（メタデータ） (2022-12-01T11:49:07Z)
Fine-grained Graph Learning for Multi-view Subspace Clustering [2.4094285826152593]
マルチビューサブスペースクラスタリング(FGL-MSC)のためのきめ細かいグラフ学習フレームワークを提案する。主な課題は、クラスタリングタスクに適合する学習グラフを生成しながら、微細な融合重みを最適化する方法である。 8つの実世界のデータセットの実験では、提案されたフレームワークは最先端の手法に匹敵する性能を示している。
論文参考訳（メタデータ） (2022-01-12T18:00:29Z)
AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph Convolution [79.44066256794187]
我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
論文参考訳（メタデータ） (2021-11-12T07:08:13Z)
Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文参考訳（メタデータ） (2021-08-15T13:14:28Z)
Scaling Graph Clustering with Distributed Sketches [1.1011268090482575]
スペクトルクラスタリングにインスパイアされた手法として,ランダムな次元還元プロジェクションから得られた行列スケッチを用いる。提案手法は,完全に動的なブロックモデルストリームが与えられた場合,性能の高いクラスタリング結果が得られる埋め込みを生成する。また、ブロックモデルパラメータがその後の埋め込みの必要次元に与える影響についても検討し、ランダムなプロジェクションが分散メモリにおけるグラフクラスタリングの性能を大幅に改善できることを示す。
論文参考訳（メタデータ） (2020-07-24T17:38:04Z)
Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文参考訳（メタデータ） (2020-03-12T22:31:59Z)
Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。