論文の概要: Network Clustering by Embedding of Attribute-augmented Graphs

• arxiv url: http://arxiv.org/abs/2109.09367v1
• Date: Mon, 20 Sep 2021 08:37:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 03:52:59.916456
• Title: Network Clustering by Embedding of Attribute-augmented Graphs
• Title（参考訳）: 属性グラフの埋め込みによるネットワーククラスタリング
• Authors: Pasqua D'Ambra, Clara De Santis, Panayot S. Vassilevski, and Luisa Cutillo
• Abstract要約: 属性付き頂点を持つ非方向グラフのクラスタを検出するための新しい手法を提案する。 我々は、追加の頂点とエッジを作成することにより、拡張グラフ内の頂点間の構造的および属性的類似性を組み込む。 提案手法の有効性を,合成グラフと実世界の属性グラフの両方に示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we propose a new approach to detect clusters in undirected graphs with attributed vertices. The aim is to group vertices which are similar not only in terms of structural connectivity but also in terms of attribute values. We incorporate structural and attribute similarities between the vertices in an augmented graph by creating additional vertices and edges as proposed in [5, 27]. The augmented graph is embedded in a Euclidean space associated to its Laplacian and apply a modified K-means algorithm to identify clusters. The modified K-means uses a vector distance measure where to each original vertex is assigned a vector-valued set of coordinates depending on both structural connectivity and attribute similarities. To define the coordinate vectors we employ an adaptive AMG (Algebraic MultiGrid) method to identify the coordinate directions in the embedding Euclidean space extending our previous result for graphs without attributes. We demonstrate the effectiveness of our proposed clustering method on both synthetic and real-world attributed graphs.
• Abstract（参考訳）: 本稿では,属性付き頂点を持つ非方向グラフのクラスタを検出する新しい手法を提案する。 目的は、構造接続の点だけでなく属性値の点でも類似した頂点をグループ化することである。 5, 27] で提案されているような追加の頂点と辺を作成することにより、拡張グラフに頂点間の構造的および属性的類似性を取り入れた。 グラフはラプラシアンに関連するユークリッド空間に埋め込まれ、クラスターを識別するために改良K平均アルゴリズムを適用する。 修正されたk-平均は、各元の頂点に対して構造的接続性と属性の類似性の両方に応じてベクトル値の座標の集合を割り当てるベクトル距離測度を用いる。 座標ベクトルを定義するために、アダプティブ amg (algebraic multigrid) 法を用いて埋め込みユークリッド空間における座標方向を同定し、属性のないグラフに対する前結果を拡張する。 提案手法の有効性を,合成グラフと実世界の属性グラフの両方に示す。

関連論文リスト

• An Ad-hoc graph node vector embedding algorithm for general knowledge graphs using Kinetica-Graph [0.0]
  本稿では,知識グラフ表現から一般的なグラフノードの埋め込みを生成する方法について論じる。 埋め込み空間は、局所親和性とリモート構造関連性の両方を模倣するいくつかのサブ機能から構成される。
  論文  参考訳（メタデータ） (2024-07-22T14:43:10Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Dual Contrastive Attributed Graph Clustering Network [6.796682703663566]
  我々はDCAGC(Dual Contrastive Attributed Graph Clustering Network)と呼ばれる汎用フレームワークを提案する。 DCAGCでは、近隣のコントラストモジュールを利用することで、近隣ノードの類似性を最大化し、ノード表現の品質を向上させる。 DCAGCのすべてのモジュールは、統一されたフレームワークでトレーニングされ、最適化されているため、学習されたノード表現にはクラスタリング指向のメッセージが含まれている。
  論文  参考訳（メタデータ） (2022-06-16T03:17:01Z)
• Embedding Graphs on Grassmann Manifold [31.42901131602713]
  本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。 EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
  論文  参考訳（メタデータ） (2022-05-30T12:56:24Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• Clustering Edges in Directed Graphs [0.40611352512781856]
  本研究では,エッジクラスタリングのためのフレームワークを開発し,探索データ解析のための新しい手法を提案する。 機能親和性を共有するエッジは同じグループに割り当てられ、影響サブグラフクラスタを形成する。 科学的研究におけるエッジクラスタリングの応用の可能性を示す様々な例を示す。
  論文  参考訳（メタデータ） (2022-02-23T16:24:55Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Spectral Embedding of Graph Networks [76.27138343125985]
  ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。 埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
  論文  参考訳（メタデータ） (2020-09-30T04:59:10Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• 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)

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。