論文の概要: Perfect Spectral Clustering with Discrete Covariates

• arxiv url: http://arxiv.org/abs/2205.08047v1
• Date: Tue, 17 May 2022 01:41:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-18 13:27:27.175546
• Title: Perfect Spectral Clustering with Discrete Covariates
• Title（参考訳）: 離散共変量による完全スペクトルクラスタリング
• Authors: Jonathan Hehir, Xiaoyue Niu, Aleksandra Slavkovic
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 68.8204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Among community detection methods, spectral clustering enjoys two desirable properties: computational efficiency and theoretical guarantees of consistency. Most studies of spectral clustering consider only the edges of a network as input to the algorithm. Here we consider the problem of performing community detection in the presence of discrete node covariates, where network structure is determined by a combination of a latent block model structure and homophily on the observed covariates. We propose a spectral algorithm that we prove achieves perfect clustering with high probability on a class of large, sparse networks with discrete covariates, effectively separating latent network structure from homophily on observed covariates. To our knowledge, our method is the first to offer a guarantee of consistent latent structure recovery using spectral clustering in the setting where edge formation is dependent on both latent and observed factors.
• Abstract（参考訳）: コミュニティ検出手法のうち、スペクトルクラスタリングは、計算効率と一貫性の理論的保証という2つの望ましい特性を享受している。 スペクトルクラスタリングのほとんどの研究は、ネットワークのエッジのみをアルゴリズムの入力と見なしている。 本稿では,ネットワーク構造が潜在ブロックモデル構造と観測された共変量上のホモフィアの組み合わせによって決定される離散ノード共変量の存在下でコミュニティ検出を行う問題を考える。 本研究では,離散共変量を持つ大規模スパースネットワークのクラスにおいて,完全クラスタリングを高い確率で達成し,観測共変量に対して遅延ネットワーク構造をホモフィリーから効果的に分離するスペクトルアルゴリズムを提案する。 我々の知る限り,本手法は,エッジ形成が潜時および観測因子に依存する環境において,スペクトルクラスタリングを用いて一貫した潜時構造回復を保証する最初の方法である。

関連論文リスト

• 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)
• HeNCler: Node Clustering in Heterophilous Graphs through Learned Asymmetric Similarity [55.27586970082595]
  HeNClerは、Heterophilous Node Clusteringの新しいアプローチである。 HeNClerは異種グラフコンテキストにおけるノードクラスタリングタスクの性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2024-05-27T11:04:05Z)
• Deep Embedding Clustering Driven by Sample Stability [16.53706617383543]
  サンプル安定性(DECS)により駆動されるディープ埋め込みクラスタリングアルゴリズムを提案する。 具体的には、まずオートエンコーダで初期特徴空間を構築し、次にサンプル安定性に制約されたクラスタ指向の埋め込み機能を学ぶ。 5つのデータセットに対する実験結果から,提案手法は最先端のクラスタリング手法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-01-29T09:19:49Z)
• flow-based clustering and spectral clustering: a comparison [0.688204255655161]
  本研究では,本質的なネットワーク構造を持つデータに対する新しいグラフクラスタリング手法を提案する。 我々は、ユークリッド特徴ベクトルを構築するために、データ固有のネットワーク構造を利用する。 以上の結果から,クラスタリング手法が特定のグラフ構造に対処できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-20T21:49:52Z)
• Spectral clustering via adaptive layer aggregation for multi-layer networks [6.0073653636512585]
  有効凸層アグリゲーションに基づく積分スペクトルクラスタリング手法を提案する。 提案手法は, 広く用いられている手法と比較して, 極めて競争力が高いことを示す。
  論文  参考訳（メタデータ） (2020-12-07T21:58:18Z)
• An improved spectral clustering method for community detection under the degree-corrected stochastic blockmodel [1.0965065178451106]
  次数補正ブロックモデル(SBM)に基づく改良型スペクトルクラスタリング(ISC)手法を提案する。 ISCは、SimmonsとCaltechの2つの弱い信号ネットワークにおいて、それぞれ121/1137と96/590のエラー率で大幅に改善されている。
  論文  参考訳（メタデータ） (2020-11-12T13:35:11Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Stable and consistent density-based clustering via multiparameter persistence [77.34726150561087]
  トポロジカルデータ解析による次数-リップス構成について考察する。 我々は,入力データの摂動に対する安定性を,通信間距離を用いて解析する。 私たちはこれらのメソッドを、Persistableと呼ばれる密度ベースのクラスタリングのためのパイプラインに統合します。
  論文  参考訳（メタデータ） (2020-05-18T19:45:04Z)
• Local Graph Clustering with Network Lasso [90.66817876491052]
  局所グラフクラスタリングのためのネットワークLasso法の統計的および計算的性質について検討する。 nLassoによって提供されるクラスタは、クラスタ境界とシードノードの間のネットワークフローを通じて、エレガントに特徴付けられる。
  論文  参考訳（メタデータ） (2020-04-25T17:52:05Z)
• Randomized spectral co-clustering for large-scale directed networks [15.486507430729052]
  共同クラスタリングは、有向ネットワークの送信者と受信者を同時にクラスタ化することを目的としている。 スケッチ技術を活用し、2つのランダム化スペクトルコクラスタリングアルゴリズムを導出する。 我々は、それらの近似誤差率と誤クラスタリング誤差率を確立し、共クラスタリング文学の最先端結果よりも優れた境界を示す。
  論文  参考訳（メタデータ） (2020-04-25T15:00:55Z)

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。