論文の概要: A Modular Framework for Centrality and Clustering in Complex Networks
- arxiv url: http://arxiv.org/abs/2111.11623v1
- Date: Tue, 23 Nov 2021 03:01:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 17:20:57.901186
- Title: A Modular Framework for Centrality and Clustering in Complex Networks
- Title（参考訳）: 複雑ネットワークにおける集中度とクラスタリングのためのモジュールフレームワーク
- Authors: Frederique Oggier, Silivanxay Phetsouvanh, and Anwitaman Datta
- Abstract要約: 本稿では,集中度とクラスタリングという2つの重要なネットワーク解析手法について検討する。
クラスタリングには情報フローベースのモデルが採用されている。
我々のクラスタリングは、エッジウェイトとノードの度合いの異なる解釈と相互作用と同様に、エッジ指向性に対応する柔軟性を自然に継承する。
- 参考スコア（独自算出の注目度）: 0.6423239719448168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The structure of many complex networks includes edge directionality and
weights on top of their topology. Network analysis that can seamlessly consider
combination of these properties are desirable. In this paper, we study two
important such network analysis techniques, namely, centrality and clustering.
An information-flow based model is adopted for clustering, which itself builds
upon an information theoretic measure for computing centrality. Our principal
contributions include a generalized model of Markov entropic centrality with
the flexibility to tune the importance of node degrees, edge weights and
directions, with a closed-form asymptotic analysis. It leads to a novel
two-stage graph clustering algorithm. The centrality analysis helps reason
about the suitability of our approach to cluster a given graph, and determine
`query' nodes, around which to explore local community structures, leading to
an agglomerative clustering mechanism. The entropic centrality computations are
amortized by our clustering algorithm, making it computationally efficient:
compared to prior approaches using Markov entropic centrality for clustering,
our experiments demonstrate multiple orders of magnitude of speed-up. Our
clustering algorithm naturally inherits the flexibility to accommodate edge
directionality, as well as different interpretations and interplay between edge
weights and node degrees. Overall, this paper thus not only makes significant
theoretical and conceptual contributions, but also translates the findings into
artifacts of practical relevance, yielding new, effective and scalable
centrality computations and graph clustering algorithms, whose efficacy has
been validated through extensive benchmarking experiments.
- Abstract（参考訳）: 多くの複雑なネットワークの構造は、その位相上のエッジ方向と重みを含む。
これらの特性の組み合わせをシームレスに考慮できるネットワーク分析が望ましい。
本稿では,集中度とクラスタリングという2つの重要なネットワーク解析手法について検討する。
クラスタリングには情報フローベースのモデルが採用されており、それ自身が集中性を計算するための情報理論的な尺度に基づいている。
我々の主な貢献は、閉形式漸近解析を用いて、ノード度、エッジウェイト、方向の重要性を調整できる柔軟性を備えたマルコフエントロピー中心性の一般化モデルを含む。
これは、新しい2段階グラフクラスタリングアルゴリズムに繋がる。
中心性分析は、与えられたグラフをクラスタ化するためのアプローチの適合性を推論し、局所的なコミュニティ構造を探索する'クエリ'ノードを決定するのに役立つ。
エントロピック中心性計算はクラスタリングアルゴリズムによって補正され、計算効率が向上する: クラスタリングにマルコフエントロピック中心性を用いた従来の手法と比較して、我々の実験は、複数の桁のスピードアップを実証している。
我々のクラスタリングアルゴリズムは、エッジウェイトとノード度の異なる解釈と相互作用と同様に、エッジ方向に対応する柔軟性を自然に継承する。
全体として,本論文は理論的,概念的に重要な貢献をするだけでなく,その成果を実用的妥当性の成果物に翻訳し,新しい,効果的でスケーラブルな集中性計算とグラフクラスタリングアルゴリズムを生み出した。
関連論文リスト
- Boosting the Performance of Decentralized Federated Learning via Catalyst Acceleration [66.43954501171292]
本稿では,Catalytics Accelerationを導入し,DFedCataと呼ばれる促進型分散フェデレート学習アルゴリズムを提案する。
DFedCataは、パラメータの不整合に対処するMoreauエンベロープ関数と、アグリゲーションフェーズを加速するNesterovの外挿ステップの2つの主要コンポーネントで構成されている。
実験により, CIFAR10/100における収束速度と一般化性能の両面において, 提案アルゴリズムの利点を実証した。
論文 参考訳（メタデータ） (2024-10-09T06:17:16Z) - Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。
本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-24T08:59:51Z) - Fuzzy K-Means Clustering without Cluster Centroids [21.256564324236333]
ファジィK平均クラスタリングは教師なしデータ分析において重要な手法である。
本稿では,クラスタセントロイドへの依存を完全に排除する,ファジィテクストK-Meansクラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-04-07T12:25:03Z) - Maximum Likelihood Estimation on Stochastic Blockmodels for Directed Graph Clustering [22.421702511126373]
我々は、有向ブロックモデルにおいて、基盤となるコミュニティを推定するものとしてクラスタリングを定式化する。
本稿では,2つの効率的かつ解釈可能な有向クラスタリングアルゴリズム,スペクトルクラスタリングアルゴリズム,半定値プログラミングに基づくクラスタリングアルゴリズムを紹介する。
論文 参考訳（メタデータ） (2024-03-28T15:47:13Z) - 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) - Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic
Block Model [0.16385815610837165]
本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。
ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。
また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
論文 参考訳（メタデータ） (2023-10-30T16:46:05Z) - Fast Topological Clustering with Wasserstein Distance [0.0]
本稿では,複雑なネットワークを複雑なトポロジでクラスタリングする,新しい,実用的なトポロジクラスタリング手法を提案する。
このようなネットワークは、そのトポロジカル構造と幾何学的構造の両方に基づいて、セントロイドベースのクラスタリング戦略によってクラスタに集約される。
提案手法は,シミュレーションネットワークと機能的脳ネットワークの両方を用いて有効であることを示した。
論文 参考訳（メタデータ） (2021-11-30T21:02:53Z) - 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) - KCoreMotif: An Efficient Graph Clustering Algorithm for Large Networks
by Exploiting k-core Decomposition and Motifs [6.1734015475373765]
スペクトルクラスタリングは、グラフ構造化データ(ネットワーク)の最も一般的なアルゴリズムの1つである
そこで本稿では,kコア分解とモチーフを利用したグラフクラスタリングアルゴリズムKCoreMotifを提案する。
提案したグラフクラスタリングアルゴリズムは,大規模ネットワークに対して正確かつ効率的であることを示す。
論文 参考訳（メタデータ） (2020-08-21T12:21:05Z) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳（メタデータ） (2020-04-01T13:39:37Z) - Quantized Decentralized Stochastic Learning over Directed Graphs [52.94011236627326]
有向グラフ上で通信する計算ノード間でデータポイントが分散される分散学習問題を考える。
モデルのサイズが大きくなるにつれて、分散学習は、各ノードが隣人にメッセージ(モデル更新)を送信することによる通信負荷の大きなボトルネックに直面します。
本稿では,分散コンセンサス最適化におけるプッシュサムアルゴリズムに基づく有向グラフ上の量子化分散学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-02-23T18:25:39Z)
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。