Fugu-MT 論文翻訳(概要): Network Clustering for Latent State and Changepoint Detection

論文の概要: Network Clustering for Latent State and Changepoint Detection

arxiv url: http://arxiv.org/abs/2111.01273v1
Date: Mon, 1 Nov 2021 21:51:45 GMT
ステータス: 処理完了
システム内更新日: 2021-11-03 14:37:55.629356
Title: Network Clustering for Latent State and Changepoint Detection
Title（参考訳）: 潜在状態と変更点検出のためのネットワーククラスタリング
Authors: Madeline Navarro and Genevera I. Allen and Michael Weylandt
Abstract要約: 本稿では,ネットワーククラスタリングのタスクに対する凸アプローチを提案する。コンベックスネットワーククラスタリングのための効率的なアルゴリズムを提案し,その有効性を合成例で示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Network models provide a powerful and flexible framework for analyzing a wide range of structured data sources. In many situations of interest, however, multiple networks can be constructed to capture different aspects of an underlying phenomenon or to capture changing behavior over time. In such settings, it is often useful to cluster together related networks in attempt to identify patterns of common structure. In this paper, we propose a convex approach for the task of network clustering. Our approach uses a convex fusion penalty to induce a smoothly-varying tree-like cluster structure, eliminating the need to select the number of clusters a priori. We provide an efficient algorithm for convex network clustering and demonstrate its effectiveness on synthetic examples.
Abstract（参考訳）: ネットワークモデルは、幅広い構造化データソースを分析するための強力で柔軟なフレームワークを提供する。しかし、多くの状況において、基礎となる現象の異なる側面を捉えたり、時間とともに変化する振る舞いを捉えるために複数のネットワークを構築することができる。このような環境では、共通構造のパターンを特定するために、関連するネットワークをクラスタリングすることがしばしば有用である。本稿では,ネットワーククラスタリングの課題に対する凸アプローチを提案する。提案手法では,コンベックス融合ペナルティを用いてスムースなツリー状クラスタ構造を誘導し,クラスタ数を事前に選択する必要がなくなる。コンベックスネットワーククラスタリングのための効率的なアルゴリズムを提案し,その有効性を合成例で示す。

関連論文リスト

A Dirichlet stochastic block model for composition-weighted networks [0.0]
合成重みベクトルの直接モデリングに基づく合成重み付きネットワークのブロックモデルを提案する。推論は分類期待-最大化アルゴリズムの拡張によって実装される。このモデルはシミュレーション研究を用いて検証され,Erasmus交換プログラムのネットワークデータと,ロンドン市における自転車共有ネットワークで実証された。
論文参考訳（メタデータ） (2024-08-01T15:41:07Z)
Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文参考訳（メタデータ） (2023-08-13T18:12:28Z)
Learning Coherent Clusters in Weakly-Connected Network Systems [7.766921168069532]
本稿では,コンポーネントが密結合な大規模動的ネットワークのための構造保存モデル手法を提案する。重みブロックモデルからネットワークグラフをランダムに生成する場合、近似誤差の上限を与える。
論文参考訳（メタデータ） (2022-11-28T13:32:25Z)
DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。 6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文参考訳（メタデータ） (2022-06-01T09:51:38Z)
Deep Embedded Clustering with Distribution Consistency Preservation for Attributed Networks [15.895606627146291]
本研究では,属性ネットワークに対するエンドツーエンドの深層クラスタリングモデルを提案する。グラフオートエンコーダとノード属性オートエンコーダを使用して、ノード表現とクラスタ割り当てをそれぞれ学習する。提案手法は, 最先端手法と比較して, 性能が著しく向上する。
論文参考訳（メタデータ） (2022-05-28T02:35:34Z)
Perfect Spectral Clustering with Discrete Covariates [68.8204255655161]
本稿では,大規模なスパースネットワークのクラスにおいて,高い確率で完全クラスタリングを実現するスペクトルアルゴリズムを提案する。本手法は,スペクトルクラスタリングによる一貫した潜在構造回復を保証する最初の方法である。
論文参考訳（メタデータ） (2022-05-17T01:41:06Z)
Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文参考訳（メタデータ） (2021-08-12T02:30:38Z)
Geometric Affinity Propagation for Clustering with Network Knowledge [14.827797643173401]
Affinity propagation (AP) は、反復的なペアワイズメッセージ更新によって最適な例の集合を洗練する強力な例ベースのアプローチであることが証明されている。ネットワークトポロジを活用するためにAPを効果的に拡張する新しいクラスタリングアルゴリズムであるGeopic-APを提案する。
論文参考訳（メタデータ） (2021-03-26T10:23:53Z)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)
On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文参考訳（メタデータ） (2020-09-15T00:16:12Z)
Motif-Based Spectral Clustering of Weighted Directed Networks [6.1448102196124195]
クラスタリングは、様々な分野の応用において、ネットワーク分析に不可欠な技術である。一つのアプローチは、モチーフ隣接行列を用いて高次構造を捕捉し、クラスタ化することである。本稿では,重み付きネットワーク上での隣接行列のモチーフとして,新しい,計算に有用な行列式を提案する。
論文参考訳（メタデータ） (2020-04-02T22:45:28Z)

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。