Fugu-MT 論文翻訳(概要): Incremental Community Detection in Distributed Dynamic Graph

論文の概要: Incremental Community Detection in Distributed Dynamic Graph

arxiv url: http://arxiv.org/abs/2110.06311v1
Date: Tue, 12 Oct 2021 20:00:18 GMT
ステータス: 処理完了
システム内更新日: 2021-10-15 07:48:59.736628
Title: Incremental Community Detection in Distributed Dynamic Graph
Title（参考訳）: 分散動的グラフにおけるインクリメンタルコミュニティ検出
Authors: Tariq Abughofa, Ahmed A.Harby, Haruna Isah, Farhana Zulkernine
Abstract要約: 本稿では,ストリーミングデータ上の動的グラフを維持するための,段階的なコミュニティ検出アルゴリズムを提案する。その結果,IDWCCアルゴリズムはDWCCアルゴリズムよりも最大3倍高速に動作し,精度が向上した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Community detection is an important research topic in graph analytics that has a wide range of applications. A variety of static community detection algorithms and quality metrics were developed in the past few years. However, most real-world graphs are not static and often change over time. In the case of streaming data, communities in the associated graph need to be updated either continuously or whenever new data streams are added to the graph, which poses a much greater challenge in devising good community detection algorithms for maintaining dynamic graphs over streaming data. In this paper, we propose an incremental community detection algorithm for maintaining a dynamic graph over streaming data. The contributions of this study include (a) the implementation of a Distributed Weighted Community Clustering (DWCC) algorithm, (b) the design and implementation of a novel Incremental Distributed Weighted Community Clustering (IDWCC) algorithm, and (c) an experimental study to compare the performance of our IDWCC algorithm with the DWCC algorithm. We validate the functionality and efficiency of our framework in processing streaming data and performing large in-memory distributed dynamic graph analytics. The results demonstrate that our IDWCC algorithm performs up to three times faster than the DWCC algorithm for a similar accuracy.
Abstract（参考訳）: コミュニティ検出は、広範囲のアプリケーションを持つグラフ分析において重要な研究トピックである。様々な静的コミュニティ検出アルゴリズムと品質指標がここ数年の間に開発された。しかし、ほとんどの現実世界のグラフは静的ではなく、時間とともに変化する。ストリーミングデータの場合、関連するグラフ内のコミュニティを継続的に更新するか、あるいは新しいデータストリームがグラフに追加されるたびに更新する必要がある。本稿では,ストリーミングデータ上で動的グラフを維持するためのインクリメンタルコミュニティ検出アルゴリズムを提案する。この研究の貢献には (a)分散重み付きコミュニティクラスタリング(DWCC)アルゴリズムの実装 (b)新規分散重み付きコミュニティクラスタリング(IDWCC)アルゴリズムの設計と実装、及び c)idwccアルゴリズムの性能をdwccアルゴリズムと比較するための実験的検討。ストリーミングデータの処理や大規模なインメモリ分散動的グラフ解析におけるフレームワークの機能と効率性を検証する。その結果,IDWCCアルゴリズムはDWCCアルゴリズムよりも最大3倍高速に動作し,精度が向上した。

関連論文リスト

GRE^2-MDCL: Graph Representation Embedding Enhanced via Multidimensional Contrastive Learning [0.0]
グラフ表現学習は、ノードをベクトル表現にマッピングする際にグラフトポロジを保存する強力なツールとして登場した。現在のグラフニューラルネットワークモデルは、広範なラベル付きデータを必要とするという課題に直面している。多次元コントラスト学習によるグラフ表現埋め込みを提案する。
論文参考訳（メタデータ） (2024-09-12T03:09:05Z)
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)
Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文参考訳（メタデータ） (2024-03-11T06:34:05Z)
Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文参考訳（メタデータ） (2023-05-18T06:17:50Z)
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)
GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文参考訳（メタデータ） (2022-03-24T02:58:36Z)
Topology-Guided Sampling for Fast and Accurate Community Detection [1.0609815608017064]
本稿では,ブロック分割の高速化を目的としたトポロジー誘導サンプリング手法を提案する。また、高速化を犠牲にして、我々のアプローチの有効性を向上させるための学位ベースのしきい値設定手法も導入する。以上の結果から,本手法はサンプリングなしでブロック分割を最大15倍高速化する可能性が示唆された。
論文参考訳（メタデータ） (2021-08-15T03:20:10Z)
QD-GCN: Query-Driven Graph Convolutional Networks for Attributed Community Search [54.42038098426504]
QD-GCNは、ACS問題を解決するために、コミュニティ構造とノード属性を統一するエンドツーエンドフレームワークである。本稿では、QD-GCNが既存の属性付きコミュニティ検索アルゴリズムを効率性と有効性の両方で上回ることを示す。
論文参考訳（メタデータ） (2021-04-08T07:52:48Z)
Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
論文参考訳（メタデータ） (2021-03-17T16:22:24Z)
CoSimGNN: Towards Large-scale Graph Similarity Computation [5.17905821006887]
グラフニューラルネットワーク(GNN)はこのタスクにデータ駆動型ソリューションを提供する。既存のGNNベースの手法は、それぞれ2つのグラフを埋め込んだり、グラフ全体のクロスグラフインタラクションをデプロイしたりするが、まだ競合する結果が得られない。このフレームワークは,まず適応的なプーリング操作で大きなグラフを埋め込んで粗くし,最後に類似点を求めるために粗いグラフにきめ細かな相互作用を展開させる。
論文参考訳（メタデータ） (2020-05-14T16:33:13Z)
Flow-based Algorithms for Improving Clusters: A Unifying Framework, Software, and Performance [0.0]
グラフ内のベクトル空間やノードのクラスタリングポイントは、統計データ解析においてユビキタスプリミティブである。このクラスタ改善問題に対するアルゴリズムの原則に着目する。ローカルGraphClustering Pythonパッケージでこれらのアルゴリズムの効率的な実装を開発します。
論文参考訳（メタデータ） (2020-04-20T20:14:00Z)

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。