論文の概要: Sparse Subspace Clustering in Diverse Multiplex Network Model
- arxiv url: http://arxiv.org/abs/2206.07602v2
- Date: Tue, 25 Apr 2023 16:44:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-27 00:09:33.964008
- Title: Sparse Subspace Clustering in Diverse Multiplex Network Model
- Title（参考訳）: 分散多重ネットワークモデルにおけるスパース部分空間クラスタリング
- Authors: Majid Noroozi and Marianna Pensky
- Abstract要約: 本稿では,DIMPLE(Diverse MultiPLEx)ネットワークモデルについて考察する。ネットワークのすべての層が同じノードの集合を持ち,ブロックモデルを備えている。
DIMPLEモデルは、すべての層で同じコミュニティ構造を持つ多層ネットワークを研究する複数の論文を一般化する。
本稿ではスパースサブスペースクラスタリング(SSC)を用いて,同一のコミュニティ構造を持つ層群を同定する。
- 参考スコア（独自算出の注目度）: 4.56877715768796
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The paper considers the DIverse MultiPLEx (DIMPLE) network model, introduced
in Pensky and Wang (2021), where all layers of the network have the same
collection of nodes and are equipped with the Stochastic Block Models. In
addition, all layers can be partitioned into groups with the same community
structures, although the layers in the same group may have different matrices
of block connection probabilities. The DIMPLE model generalizes a multitude of
papers that study multilayer networks with the same community structures in all
layers, as well as the Mixture Multilayer Stochastic Block Model (MMLSBM),
where the layers in the same group have identical matrices of block connection
probabilities. While Pensky and Wang (2021) applied spectral clustering to the
proxy of the adjacency tensor, the present paper uses Sparse Subspace
Clustering (SSC) for identifying groups of layers with identical community
structures. Under mild conditions, the latter leads to the strongly consistent
between-layer clustering. In addition, SSC allows to handle much larger
networks than methodology of Pensky and Wang (2021), and is perfectly suitable
for application of parallel computing.
- Abstract（参考訳）: 本論文は,pensky と wang (2021) で導入された多元的多重化(dimple)ネットワークモデルについて考察する。
さらに、すべての層を同じコミュニティ構造を持つグループに分割することができるが、同じグループの層はブロック接続確率の異なる行列を持つかもしれない。
DIMPLEモデルは、すべての層で同じコミュニティ構造を持つ多層ネットワークを研究する複数の論文と、同じグループの層がブロック接続確率の同じ行列を持つMixture Multilayer Stochastic Block Model (MMLSBM)を一般化する。
ペンスキーとwang (2021) は隣接テンソルのプロキシにスペクトルクラスタリングを適用したが、本論文は同一のコミュニティ構造を持つ層群を識別するためにスパース部分空間クラスタリング (ssc) を用いる。
穏やかな条件下では、後者は層間クラスタリングに強い一貫性をもたらす。
さらに、SSC は Pensky や Wang (2021) の方法論よりもはるかに大きなネットワークを扱うことができ、並列コンピューティングの応用に完全に適している。
関連論文リスト
- Signed Diverse Multiplex Networks: Clustering and Inference [4.070200285321219]
設定は多重バージョンに拡張され、すべてのレイヤが同じノードのコレクションを持ち、SGRDPGに従う。
まず,ネットワーク構築過程におけるエッジの符号の保持が,推定とクラスタリングの精度の向上につながることを示す。
第二に、新しいアルゴリズムを用いることで、階層の強い一貫したクラスタリングと、部分空間推定の高精度を保証できる。
論文 参考訳（メタデータ） (2024-02-14T19:37:30Z) - Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。
本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
論文 参考訳（メタデータ） (2023-06-18T08:46:06Z) - Deep Image Clustering with Contrastive Learning and Multi-scale Graph
Convolutional Networks [58.868899595936476]
コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。
複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
論文 参考訳（メタデータ） (2022-07-14T19:16:56Z) - DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep
Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。
ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。
6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文 参考訳（メタデータ） (2022-06-01T09:51:38Z) - Linear Connectivity Reveals Generalization Strategies [54.947772002394736]
微調整されたモデルのいくつかは、それらの間の線形経路における損失を増大させる大きな障壁を持つ。
テスト損失面上で線形に接続されているが、クラスタ外のモデルから切り離されている異なるモデルのクラスタが見つかる。
我々の研究は、損失面の幾何学がモデルを異なる関数へと導く方法を示している。
論文 参考訳（メタデータ） (2022-05-24T23:43:02Z) - Community detection in multiplex networks based on orthogonal
nonnegative matrix tri-factorization [26.53951886710295]
我々は,各層に共通するコミュニティと,各層に固有のコミュニティを識別する,新しい多重化コミュニティ検出手法を導入する。
提案アルゴリズムは, 合成および実多重化の両方で評価し, 最先端技術と比較した。
論文 参考訳（メタデータ） (2022-05-02T02:33:15Z) - Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。
AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。
AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文 参考訳（メタデータ） (2021-08-12T02:30:38Z) - ALMA: Alternating Minimization Algorithm for Clustering Mixture
Multilayer Network [20.888592224540748]
目標は、多層ネットワークを同様のレイヤのクラスタに分割し、それらのレイヤ内のコミュニティを特定することだ。
本稿では,層分割の同時回復を目的とした交互最小化アルゴリズム (ALMA) を提案する。
論文 参考訳（メタデータ） (2021-02-20T01:26:55Z) - Global and Individualized Community Detection in Inhomogeneous
Multilayer Networks [14.191073951237772]
ネットワークアプリケーションでは、同じ主題の集合上で観測される複数のネットワークの形でデータセットを取得することがますます一般的になっている。
このようなデータセットは、各レイヤが別々のネットワーク自身であるマルチレイヤネットワークによってモデル化され、異なるレイヤが関連付けられ、共通の情報を共有することができる。
本稿では,非均質な多層ネットワークモデルを用いたスタイリングによるコミュニティ検出について検討する。
論文 参考訳（メタデータ） (2020-12-02T02:42:52Z) - 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) - Consistency of Spectral Clustering on Hierarchical Stochastic Block
Models [5.983753938303726]
実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。
本手法の強い一貫性を,幅広いモデルパラメータで証明する。
既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
論文 参考訳（メタデータ） (2020-04-30T01:08:59Z)
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。