論文の概要: Hippocluster: an efficient, hippocampus-inspired algorithm for graph clustering

• arxiv url: http://arxiv.org/abs/2205.12338v1
• Date: Thu, 19 May 2022 17:38:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-27 08:42:54.888938
• Title: Hippocluster: an efficient, hippocampus-inspired algorithm for graph clustering
• Title（参考訳）: Hippocluster: 効率的な海馬インスパイアされたグラフクラスタリングアルゴリズム
• Authors: Eric Chalmers and Artur Luczak
• Abstract要約: 単純な2層ニューラルネットワークフレームワークについて述べる。 1層のニューロンはグラフノードと関連付けられ、ランダムウォークをシミュレートする。 これらのシミュレーションにより、第2層のニューロンは単純な連想学習によってグラフクラスタにチューニングされる。 これらの神経相互作用が特定の方法でモデル化されている場合、このシステムは本質的に歩行空間に直接適用されるK-Meansクラスタリングの変種であることを示す。
• 参考スコア（独自算出の注目度）: 0.9137554315375919
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Random walks can reveal communities or clusters in networks, because they are more likely to stay within a cluster than leave it. Thus, one family of community detection algorithms uses random walks to measure distance between pairs of nodes in various ways, and then applies K-Means or other generic clustering methods to these distances. Interestingly, information processing in the brain may suggest a simpler method of learning clusters directly from random walks. Drawing inspiration from the hippocampus, we describe a simple two-layer neural learning framework. Neurons in one layer are associated with graph nodes and simulate random walks. These simulations cause neurons in the second layer to become tuned to graph clusters through simple associative learning. We show that if these neuronal interactions are modelled a particular way, the system is essentially a variant of K-Means clustering applied directly in the walk-space, bypassing the usual step of computing node distances/similarities. The result is an efficient graph clustering method. Biological information processing systems are known for high efficiency and adaptability. In tests on benchmark graphs, our framework demonstrates this high data-efficiency, low memory use, low complexity, and real-time adaptation to graph changes, while still achieving clustering quality comparable to other algorithms.
• Abstract（参考訳）: ランダムウォークは、ネットワーク内のコミュニティやクラスタを明らかにする可能性がある。 このように、コミュニティ検出アルゴリズムの1つのファミリーはランダムウォークを使用して、ノードのペア間の距離を様々な方法で測定し、K-Meansや他の一般的なクラスタリング手法をこれらの距離に適用する。 興味深いことに、脳内の情報処理はランダムウォークから直接クラスタを学習する方法を示唆するかもしれない。 海馬からインスピレーションを得た単純な2層ニューラルネットワークフレームワークについて述べる。 1層のニューロンはグラフノードと関連付けられ、ランダムウォークをシミュレートする。 これらのシミュレーションにより、第2層のニューロンは単純な連想学習によってグラフクラスタにチューニングされる。 これらの神経相互作用が特定の方法でモデル化されている場合、このシステムは本質的に、歩行空間に直接適用されるK-Meansクラスタリングの変種であり、ノード距離/相似性の計算の通常のステップをバイパスすることを示す。 その結果,効率的なグラフクラスタリング法が得られた。 生物情報処理システムは高い効率と適応性で知られている。 ベンチマークグラフのテストでは,この高いデータ効率,低メモリ使用量,低複雑性,グラフ変更へのリアルタイム適応性を示すとともに,クラスタリング品質を他のアルゴリズムと同等に達成している。

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)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
  本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。 また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
  論文  参考訳（メタデータ） (2023-08-28T12:55:13Z)
• 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)
• Latent Random Steps as Relaxations of Max-Cut, Min-Cut, and More [30.919536115917726]
  クラスタリングと単純化を統一する非負行列分解に基づく確率モデルを提案する。 ハードクラスタリングをソフトクラスタリングに緩和することにより、ハードクラスタリングの潜在的な問題をトラクタブルクラスタに緩和する。
  論文  参考訳（メタデータ） (2023-08-12T02:47:57Z)
• Dink-Net: Neural Clustering on Large Graphs [59.10189693120368]
  ディープグラフクラスタリング法 (Dink-Net) は, 拡張と縮小という概念を用いて提案される。 ノードを識別することにより、拡張によって劣化しても、表現は自己教師された方法で学習される。 クラスタリング分布は、提案したクラスタ拡張損失とクラスタ縮小損失を最小化することにより最適化される。 ランナアップと比較して、Dink-Net 9.62%は1100万ノードと16億エッジを持つogbn-papers100MデータセットでNMIの改善を実現している。
  論文  参考訳（メタデータ） (2023-05-28T15:33:24Z)
• Skew-Symmetric Adjacency Matrices for Clustering Directed Graphs [5.301300942803395]
  カットベースの有向グラフ(グラフ)クラスタリングは、しばしばクラスタ内あるいはクラスタ間の疎結合を見つけることに焦点を当てる。 フローベースのクラスタリングでは、クラスタ間のエッジは一方向を向く傾向にあり、マイグレーションデータ、フードウェブ、トレーディングデータに見出されている。
  論文  参考訳（メタデータ） (2022-03-02T20:07:04Z)
• Degree-Based Random Walk Approach for Graph Embedding [0.0]
  計算量が少なく,ノード接続性に配慮した一様サンプリング手法を提案する。 提案アルゴリズムの利点は,大規模グラフに適用した場合にさらに向上する。
  論文  参考訳（メタデータ） (2021-10-21T19:16:16Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)
• Interpretable Clustering on Dynamic Graphs with Recurrent Graph Neural Networks [24.017988997693262]
  ノードとノードのクラスタメンバーシップ間の接続が時間とともに変化する可能性がある動的グラフにおけるノードのクラスタリングの問題を検討する。 まず,ノード間の重み付き接続に基づいてノードをクラスタ化し,その重みが時間とともに一定速度で減少する,簡易な崩壊ベースのクラスタリングアルゴリズムを提案する。 本稿では,各クラスタの最適減衰率を特徴付け,真のクラスタのほぼ完全回復を実現するクラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T04:31:19Z)
• Clustering with Fast, Automated and Reproducible assessment applied to longitudinal neural tracking [3.817161834189992]
  C-FARは階層的クラスタリングアルゴリズムを同時に評価する新しい手法である。 提案アルゴリズムは,複数の階層的クラスタリング木を入力として,人間のフィードバックに対して戦略的にペアを問合せし,これらの木に推薦された木の中から最適なクラスタリングを出力する。 私たちのフラッグシップアプリケーションは、スパイクソートにおけるクラスタアグリゲーションステップであり、ニューロンに録音中の波形(スパイク)を割り当てるタスクです。
  論文  参考訳（メタデータ） (2020-03-19T01:33:00Z)

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。