論文の概要: Variational Estimators of the Degree-corrected Latent Block Model for
Bipartite Networks
- arxiv url: http://arxiv.org/abs/2206.08465v1
- Date: Thu, 16 Jun 2022 22:04:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-20 12:56:41.836908
- Title: Variational Estimators of the Degree-corrected Latent Block Model for
Bipartite Networks
- Title(参考訳): 2部ネットワークにおける遅延補正ブロックモデルの変分推定
- Authors: Yunpeng Zhao, Ning Hao, and Ji Zhu
- Abstract要約: Biclustering on bipartite graphsは、グラフ内の2つのタイプのオブジェクトを同時にクラスタ化する教師なしの学習タスクである。
列クラスタと列クラスタの次数不均一性に対応するために,次数補正潜在ブロックモデル(DC-LBM)を提案する。
我々は,Mステップの目的関数を行と列の次数で最大化することにより,効率的な変動予測-最大化アルゴリズムを開発した。
- 参考スコア(独自算出の注目度): 1.8320252176005445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biclustering on bipartite graphs is an unsupervised learning task that
simultaneously clusters the two types of objects in the graph, for example,
users and movies in a movie review dataset. The latent block model (LBM) has
been proposed as a model-based tool for biclustering. Biclustering results by
the LBM are, however, usually dominated by the row and column sums of the data
matrix, i.e., degrees. We propose a degree-corrected latent block model
(DC-LBM) to accommodate degree heterogeneity in row and column clusters, which
greatly outperforms the classical LBM in the MovieLens dataset and simulated
data. We develop an efficient variational expectation-maximization algorithm by
observing that the row and column degrees maximize the objective function in
the M step given any probability assignment on the cluster labels. We prove the
label consistency of the variational estimator under the DC-LBM, which allows
the expected graph density goes to zero as long as the average expected degrees
of rows and columns go to infinity.
- Abstract(参考訳): biclustering on bipartite graphsは教師なしの学習タスクで、例えば映画レビューデータセット内のユーザと映画といった、グラフ内の2つのタイプのオブジェクトを同時に収集する。
潜在ブロックモデル (LBM) はビクラスタリングのためのモデルベースツールとして提案されている。
LBMによる複クラスタリングの結果は、通常、データ行列の行と列の和、すなわち次数によって支配される。
本研究では,映画レンスデータセットとシミュレーションデータにおいて古典的lbmを大きく上回る列および列クラスタの次数不均質性に対応する次数補正潜在ブロックモデル(dc-lbm)を提案する。
クラスタラベル上の任意の確率割当を与えられたmステップで行と列の次数が目的関数を最大化するのを観察し,効率的な変分期待最大化アルゴリズムを開発した。
dc-lbm の下で変動推定器のラベルの一貫性を証明し、平均的な行や列が無限大になる限り、期待グラフ密度はゼロになることを示した。
関連論文リスト
- Mode-wise Principal Subspace Pursuit and Matrix Spiked Covariance Model [12.381700512445805]
行列データに対して行次元と列次元の両方に隠れたバリエーションを抽出するために,モードワイド・プリンシパル・サブスペース・スーツ (MOP-UP) と呼ばれる新しいフレームワークを導入する。
提案フレームワークの有効性と実用性は、シミュレーションと実データの両方の実験を通して実証される。
論文 参考訳(メタデータ) (2023-07-02T13:59:47Z) - 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) - One-step Bipartite Graph Cut: A Normalized Formulation and Its
Application to Scalable Subspace Clustering [56.81492360414741]
両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。
本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。
このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
論文 参考訳(メタデータ) (2023-05-12T11:27:20Z) - Transformers meet Stochastic Block Models: Attention with Data-Adaptive
Sparsity and Cost [53.746169882193456]
最近の研究は、自己注意の二次的コストを克服するために、様々なスパークアテンションモジュールを提案している。
本稿では,それぞれの注意を混合メンバーシップブロックモデルで表現することで,両方の問題を解決するモデルを提案する。
我々のモデルは、以前の効率的な変種とオリジナルのトランスフォーマーより優れており、十分に注目されています。
論文 参考訳(メタデータ) (2022-10-27T15:30:52Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳(メタデータ) (2022-10-21T13:19:45Z) - Twin Contrastive Learning for Online Clustering [15.9794051341163]
本稿では、インスタンスとクラスタレベルで双対学習(TCL)を行うことにより、オンラインクラスタリングを実現することを提案する。
対象のクラスタ番号の次元を持つ特徴空間にデータを投影すると、その特徴行列の行と列がインスタンスとクラスタ表現に対応していることがわかった。
論文 参考訳(メタデータ) (2022-10-21T02:12:48Z) - Likelihood Adjusted Semidefinite Programs for Clustering Heterogeneous
Data [16.153709556346417]
クラスタリングは広くデプロイされた学習ツールである。
iLA-SDPはEMよりも感度が低く、高次元データでは安定である。
論文 参考訳(メタデータ) (2022-09-29T21:03:13Z) - Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。
6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-05-21T01:47:17Z) - T-LoHo: A Bayesian Regularization Model for Structured Sparsity and
Smoothness on Graphs [0.0]
グラフ構造化データでは、構造化されたスパーシリティと滑らかさが団結する傾向にある。
グラフィカルな関係を持つ高次元パラメータに先立って提案する。
構造された空間と滑らかさを同時に検出するために使用します。
論文 参考訳(メタデータ) (2021-07-06T10:10:03Z) - Estimation of sparse Gaussian graphical models with hidden clustering
structure [8.258451067861932]
隠れクラスタリング構造を持つスパースガウス図形モデルを推定するモデルを提案する。
対称なガウス・シーデルに基づく乗算器の交互方向法を開発した。
合成データと実データの両方に関する数値実験により,本モデルの有効性が示された。
論文 参考訳(メタデータ) (2020-04-17T08:43:31Z) - Conjoined Dirichlet Process [63.89763375457853]
我々はディリクレ過程に基づく新しい非パラメトリック確率的ビクラスタリング法を開発し、列と列の双方に強い共起を持つビクラスタを同定する。
本手法はテキストマイニングと遺伝子発現解析の2つの異なる応用に適用し,既存の手法に比べて多くの設定でビクラスタ抽出を改善することを示す。
論文 参考訳(メタデータ) (2020-02-08T19:41:23Z)
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。