論文の概要: Clustering Edges in Directed Graphs

• arxiv url: http://arxiv.org/abs/2202.12265v1
• Date: Wed, 23 Feb 2022 16:24:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-25 18:09:19.862820
• Title: Clustering Edges in Directed Graphs
• Title（参考訳）: 有向グラフにおけるクラスタリングエッジ
• Authors: Manohar Murthi and Kamal Premaratne
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.40611352512781856
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: How do vertices exert influence in graph data? We develop a framework for edge clustering, a new method for exploratory data analysis that reveals how both vertices and edges collaboratively accomplish directed influence in graphs, especially for directed graphs. In contrast to the ubiquitous vertex clustering which groups vertices, edge clustering groups edges. Edges sharing a functional affinity are assigned to the same group and form an influence subgraph cluster. With a complexity comparable to that of vertex clustering, this framework presents three different methods for edge spectral clustering that reveal important influence subgraphs in graph data, with each method providing different insight into directed influence processes. We present several diverse examples demonstrating the potential for widespread application of edge clustering in scientific research.
• Abstract（参考訳）: 頂点はグラフデータにどのように影響しますか? 我々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,特に有向グラフに対する頂点と辺の協調的な影響を明らかにする探索データ解析手法を開発した。 頂点をグループ化するユビキタスな頂点クラスタリングとは対照的に、エッジクラスタリング群はエッジである。 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。 頂点クラスタリングと同等の複雑さを持つこのフレームワークは、グラフデータに重要な影響サブグラフを示す3つの異なるエッジスペクトルクラスタリングの方法を示し、それぞれが有向影響プロセスに対する異なる洞察を提供する。 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。

関連論文リスト

• Multiscale Graph Construction Using Non-local Cluster Features [10.922757310575307]
  グラフのマルチスケールクラスタリングにおいて,グラフとノードの機能を同時に検討する。 マルチスケール画像と点雲セグメンテーションの実験において,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-13T06:42:03Z)
• Graph Clustering with Cross-View Feature Propagation [0.48065059125122356]
  グラフデータにおけるクラスタ識別を強化するために,多視点特徴伝搬を利用した新しい手法であるGCFP(Graph Clustering with Cross-View Feature Propagation)を提案する。 実世界のグラフを用いた実験により,GCCFPのクラスタリング性能は確立された手法に比べて優れていた。
  論文  参考訳（メタデータ） (2024-08-12T09:38:15Z)
• 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)
• FMGNN: Fused Manifold Graph Neural Network [102.61136611255593]
  グラフ表現学習は、様々なグラフタスクにおいて広く研究され、効果が実証されている。 本稿では,異なるマニフォールドにグラフを埋め込む新しいGNNアーキテクチャであるFused Manifold Graph Neural Network (NN)を提案する。 提案実験により,NNはノード分類およびリンク予測タスクのベンチマークにおいて,強いベースラインよりも優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-04-03T15:38:53Z)
• Deep Graph-Level Clustering Using Pseudo-Label-Guided Mutual Information Maximization Network [31.38584638254226]
  我々は、グラフの集合を異なるグループに分割する問題を、同じグループのグラフが類似しているのに対して、異なるグループのグラフが異なるように研究する。 この問題を解決するために,Deep Graph-Level Clustering (DGLC) と呼ばれる新しい手法を提案する。 DGLCはグラフレベルの表現学習とグラフレベルのクラスタリングをエンドツーエンドで実現しています。
  論文  参考訳（メタデータ） (2023-02-05T12:28:08Z)
• 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)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Structured Graph Learning for Scalable Subspace Clustering: From Single-view to Multi-view [28.779909990410978]
  グラフベースのサブスペースクラスタリング手法は有望な性能を示した。 コストのかかる時間のオーバーヘッドに遭遇し、明示的なクラスタの探索に失敗し、見えないデータポイントに一般化することはできません。 上記の3つの課題を同時に解決しようとする,スケーラブルなグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-16T03:46:11Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。