論文の概要: Dissecting graph measure performance for node clustering in LFR parameter space

• arxiv url: http://arxiv.org/abs/2202.09827v1
• Date: Sun, 20 Feb 2022 14:52:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 12:23:49.787976
• Title: Dissecting graph measure performance for node clustering in LFR parameter space
• Title（参考訳）: LFRパラメータ空間におけるノードクラスタリングのための分割グラフ計測性能
• Authors: Vladimir Ivashkin, Pavel Chebotarev
• Abstract要約: パラメータの異なるグラフに対する25のグラフ測度の性能について検討する。 LFRパラメータ空間全体をカバーする11780グラフのデータセットを作成する。 パラメータ空間は、ある特定の測度が最良である異なるゾーンから構成されていることが分かる。
• 参考スコア（独自算出の注目度）: 2.445911003610726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph measures that express closeness or distance between nodes can be employed for graph nodes clustering using metric clustering algorithms. There are numerous measures applicable to this task, and which one performs better is an open question. We study the performance of 25 graph measures on generated graphs with different parameters. While usually measure comparisons are limited to general measure ranking on a particular dataset, we aim to explore the performance of various measures depending on graph features. Using an LFR graph generator, we create a dataset of 11780 graphs covering the whole LFR parameter space. For each graph, we assess the quality of clustering with k-means algorithm for each considered measure. Based on this, we determine the best measure for each area of the parameter space. We find that the parameter space consists of distinct zones where one particular measure is the best. We analyze the geometry of the resulting zones and describe it with simple criteria. Given particular graph parameters, this allows us to recommend a particular measure to use for clustering.
• Abstract（参考訳）: ノード間の近接性や距離を表すグラフ測度は、メトリクスクラスタリングアルゴリズムを使用してグラフノードのクラスタリングに使用できる。 このタスクには多くの手段が適用でき、どれがより良く機能するかは、オープンな質問です。 パラメータの異なるグラフに対する25のグラフ測度の性能について検討する。 通常、測度比較は特定のデータセット上での一般的な測度ランキングに限られるが、グラフの特徴に応じて様々な測度のパフォーマンスを検討することを目的としている。 LFRグラフ生成器を用いて,LFRパラメータ全体をカバーする11780グラフのデータセットを作成する。 各グラフについて,k-meansアルゴリズムによるクラスタリングの質を評価する。 これに基づいてパラメータ空間の各領域について最良測度を決定する。 パラメータ空間は、ある特定の測度が最良である異なるゾーンからなることが分かる。 得られたゾーンの形状を分析し,簡単な基準で記述する。 特定のグラフパラメータを考えると、クラスタリングに使用する特定の指標を推奨できます。

関連論文リスト

• Graph Sparsification via Mixture of Graphs [67.40204130771967]
  そこで我々はMixture-of-Graphs (MoG)を導入し、各ノードに対して動的に調整されたプルーニングソリューションを選択する。 MoGには複数のスパシファイアの専門家が組み込まれており、それぞれが独自のスパーシリティレベルとプルーニング基準によって特徴付けられ、各ノードに対して適切な専門家を選択する。 5つのGNNを備えた4つの大規模OGBデータセットと2つのスーパーピクセルデータセットの実験により、MoGはより高い空間レベルのサブグラフを識別することを示した。
  論文  参考訳（メタデータ） (2024-05-23T07:40:21Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Graph Parsing Networks [64.5041886737007]
  本稿では,効率的なグラフ解析アルゴリズムを提案する。 結果として得られるグラフパーシングネットワーク(GPN)は、個々のグラフに対してパーソナライズされたプーリング構造を適応的に学習する。
  論文  参考訳（メタデータ） (2024-02-22T09:08:36Z)
• DGCLUSTER: A Neural Framework for Attributed Graph Clustering via Modularity Maximization [5.329981192545312]
  本稿では,グラフニューラルネットワークを用いてモジュラリティの目的を最適化し,グラフサイズと線形にスケールする新しい手法DGClusterを提案する。 私たちはDGClusterを、さまざまなサイズの実世界のデータセットで、複数の一般的なクラスタ品質メトリクスで広範囲にテストしています。 われわれの手法は最先端の手法よりも一貫して優れており、ほぼすべての設定で顕著な性能向上を示している。
  論文  参考訳（メタデータ） (2023-12-20T01:43:55Z)
• MeanCut: A Greedy-Optimized Graph Clustering via Path-based Similarity and Degree Descent Criterion [0.6906005491572401]
  スペクトルクラスタリングは、優れたパフォーマンス、簡単な実装、強力な適応性のために人気があり、魅力的です。 我々は,MeanCutを目的関数として提案し,非破壊グラフ分割の次数降下順で厳密に最適化する。 本アルゴリズムの有効性は,実世界のベンチマークによる検証と顔認識の適用によって実証される。
  論文  参考訳（メタデータ） (2023-12-07T06:19:39Z)
• Graph GOSPA metric: a metric to measure the discrepancy between graphs of different sizes [3.8823562292981393]
  本稿では,ノード数が異なる可能性のあるグラフ間の相似性を測定する指標を提案する。 提案したグラフGOSPAメトリクスは、適切に割り当てられたノード、ミスノード、偽ノード、グラフ間のエッジミスマッチに対するノード属性エラーに関連するコストを含む。
  論文  参考訳（メタデータ） (2023-11-10T11:40:24Z)
• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• A parameter-free graph reduction for spectral clustering and SpectralNet [1.5469452301122175]
  本稿では,パラメータを必要としないグラフ削減手法を提案する。 第一に、各点$p$からその近傍までの距離は、同じ周囲密度を持つ隣人にのみ適応しきい値を用いてフィルタリングされる。 2つのステップを生き残るエッジは、スペクトルクラスタリングであるSpectralNetに渡された構築されたグラフを形成する。
  論文  参考訳（メタデータ） (2023-02-25T21:19:30Z)
• Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
  グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。 我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
  論文  参考訳（メタデータ） (2022-05-28T15:37:03Z)
• Measuring inter-cluster similarities with Alpha Shape TRIangulation in loCal Subspaces (ASTRICS) facilitates visualization and clustering of high-dimensional data [0.0]
  高次元(HD)データのクラスタリングと可視化は、様々な分野において重要なタスクである。 HDデータをクラスタリングする最も効果的なアルゴリズムは、グラフ内のノードによってデータを表現することに基づいている。 本稿では,HDデータポイントのクラスタ間の類似性を計測するASTRICSという手法を提案する。
  論文  参考訳（メタデータ） (2021-07-15T20:51:06Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。