論文の概要: Properties and Performance of the ABCDe Random Graph Model with Community Structure

• arxiv url: http://arxiv.org/abs/2203.14899v1
• Date: Mon, 28 Mar 2022 17:03:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 18:00:26.055737
• Title: Properties and Performance of the ABCDe Random Graph Model with Community Structure
• Title（参考訳）: コミュニティ構造を持つABCDeランダムグラフモデルの特性と性能
• Authors: Bogumi{\l} Kami\'nski, Tomasz Olczak, Bartosz Pankratz, Pawe{\l} Pra{\l}at, Fran\c{c}ois Th\'eberge
• Abstract要約: 本稿では,マルチスレッドを用いたABCDグラフ生成器ABCDeの新たな実装を提案する。 ABCDe は NetworKit で提供される LFR の並列実装よりも 10 倍以上高速でスケール可能であることを示す。
• 参考スコア（独自算出の注目度）: 4.724825031148412
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we investigate properties and performance of synthetic random graph models with a built-in community structure. Such models are important for evaluating and tuning community detection algorithms that are unsupervised by nature. We propose a new implementation of the ABCD graph generator, ABCDe, that uses multiple-threading. We discuss the implementation details of the algorithm as well as compare it with both the previously available sequential version of the ABCD model and with the parallel implementation of the standard and extensively used LFR generator. We show that ABCDe is more than ten times faster and scales better than the parallel implementation of LFR provided in NetworKit. Moreover, the algorithm is not only faster but random graphs generated by ABCD have similar properties to the ones generated by the original LFR algorithm, while the parallelized NetworKit implementation of LFR produces graphs that have noticeably different characteristics.
• Abstract（参考訳）: 本稿では,コミュニティ構造を組み込んだ合成ランダムグラフモデルの特性と性能について検討する。 このようなモデルは自然に制御されないコミュニティ検出アルゴリズムの評価とチューニングに重要である。 本稿では,マルチスレッドを用いたABCDグラフ生成器ABCDeの新たな実装を提案する。 本稿では,本アルゴリズムの実装の詳細を議論するとともに,従来利用可能であったabcdモデルの逐次バージョンと,標準および広く使用されているlfrジェネレータの並列実装と比較する。 ABCDe は NetworKit で提供される LFR の並列実装よりも 10 倍以上高速でスケール可能であることを示す。 さらに、このアルゴリズムは高速であるだけでなく、ABCDが生成したランダムグラフは、元のLFRアルゴリズムが生成したグラフと類似した特性を持つ一方、並列化されたNetworKit実装は、顕著に異なる特性を持つグラフを生成する。

関連論文リスト

• 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)
• Maximum Independent Set: Self-Training through Dynamic Programming [56.670639478539485]
  本研究では、動的プログラミング(DP)にインスパイアされた最大独立集合(MIS)問題を解決するグラフニューラルネットワーク(GNN)フレームワークを提案する。 GNNをベースとしたDPライクな再帰アルゴリズムを提案し、まず2つの小さなサブグラフを構築し、より大きなMISを持つサブグラフを予測し、次に再帰呼び出しを行う。 MISサイズに関する異なるグラフの比較を注釈付けすると、自己学習プロセスが発生し、比較をより正確に自己アノテーションし、その逆も引き起こされる。
  論文  参考訳（メタデータ） (2023-10-28T10:58:25Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Artificial Benchmark for Community Detection with Outliers (ABCD+o) [5.8010446129208155]
  ABCDモデルを拡張して、潜在的な外れ値を含める。 我々はABCD+oモデルと実世界のネットワークの両方で探索実験を行い、外れ値が所望の特性を持つことを示す。
  論文  参考訳（メタデータ） (2023-01-13T20:14:44Z)
• NVDiff: Graph Generation through the Diffusion of Node Vectors [20.424372965054832]
  我々は,VGAE構造を取り入れたNVDiffを提案し,サンプルノードベクトルに先立ってフレキシブルなスコアベース生成モデル(SGM)を用いる。 NVDiffフレームワーク上に構築され,グラフの局所的コンテキストとグローバル的コンテキストの両方をキャプチャ可能なアテンションベースのスコアネットワークを導入する。
  論文  参考訳（メタデータ） (2022-11-19T20:43:39Z)
• Modularity of the ABCD Random Graph Model with Community Structure [2.580765958706854]
  ABCDグラフ(ABCD graph)は、地域社会の構造と、地域社会の大きさの両面での権力-法則分布を持つランダムグラフモデルである。 我々は,ネットワークの最も重要なグラフ特性であるモジュラリティ関数を,コミュニティ検出の文脈で解析する。 また、広く使われているルービンアルゴリズムを含む多くのコミュニティ検出アルゴリズムの品質関数としても使用されている。
  論文  参考訳（メタデータ） (2022-03-03T01:49:46Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Ramanujan Bipartite Graph Products for Efficient Block Sparse Neural Networks [2.4235475271758076]
  本稿では,グラフ積の理論を用いて,構造化マルチレベルブロックスパースニューラルネットワークを生成するフレームワークを提案する。 ラマヌジャングラフの積も提案するが、これは与えられた範囲で最高の接続性を与える。 我々は,VGG19とWideResnet-40-4ネットワークを用いて,CIFARデータセット上の画像分類タスクを実験することで,我々のアプローチをベンチマークする。
  論文  参考訳（メタデータ） (2020-06-24T05:08:17Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)
• Artificial Benchmark for Community Detection (ABCD): Fast Random Graph Model with Community Structure [5.8010446129208155]
  我々は、コミュニティ構造と、コミュニティサイズおよびコミュニティサイズの両方のパワー-法則分布を持つ代替のランダムグラフモデル、ABCD(Artificial Benchmark for Community Detection)を提供する。 ABCDは高速でシンプルで、ユーザーが純粋(独立)なコミュニティと、コミュニティ構造のないランダムなグラフの2つの極端間のスムーズな遷移を可能にするように、簡単に調整できる。
  論文  参考訳（メタデータ） (2020-01-14T17:20:27Z)

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。