Fugu-MT 論文翻訳(概要): Simplifying Clustering with Graph Neural Networks

論文の概要: Simplifying Clustering with Graph Neural Networks

arxiv url: http://arxiv.org/abs/2207.08779v1
Date: Mon, 18 Jul 2022 17:36:54 GMT
ステータス: 処理完了
システム内更新日: 2022-07-19 17:47:46.345324
Title: Simplifying Clustering with Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークによるクラスタリングの簡素化
Authors: Filippo Maria Bianchi
Abstract要約: 本稿では、適切なメッセージパッシング層を備えたグラフニューラルネットワークが、バランスの取れた項のみを最適化することにより、優れたクラスタ割り当てを実現できることを示す。属性付きグラフデータセットの結果は、クラスタリング性能と時間の観点から提案手法の有効性を示す。
参考スコア（独自算出の注目度）: 5.571369922847262
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The objective functions used in spectral clustering are usually composed of two terms: i) a term that minimizes the local quadratic variation of the cluster assignments on the graph and; ii) a term that balances the clustering partition and helps avoiding degenerate solutions. This paper shows that a graph neural network, equipped with suitable message passing layers, can generate good cluster assignments by optimizing only a balancing term. Results on attributed graph datasets show the effectiveness of the proposed approach in terms of clustering performance and computation time.
Abstract（参考訳）: スペクトルクラスタリングで使われる目的関数は通常2つの用語から成り立っている。一グラフ上のクラスタ割り当ての局所的な二次的変動を最小化する用語及び二クラスタリング分割の均衡を図り、解の退化を回避すること。本稿では、適切なメッセージパッシング層を有するグラフニューラルネットワークが、バランシング項のみを最適化することにより、良好なクラスタ割り当てを生成することができることを示す。属性付きグラフデータセットの結果は,クラスタリング性能と計算時間の観点から提案手法の有効性を示す。

関連論文リスト

Differentiable Cluster Graph Neural Network [16.26923480430114]
本稿では、追加のクラスタノードを用いて、クラスタリング誘導バイアスをメッセージパッシング機構に組み込むフレームワークを提案する。提案手法は局所的および大域的情報の両方を効果的に捉えることができ, ヘテロ親和性データセットとホモ親和性データセットの両方に関する広範な実験によって実証された。
論文参考訳（メタデータ） (2024-05-25T11:23:39Z)
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)
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)
DeepCut: Unsupervised Segmentation using Graph Neural Networks Clustering [6.447863458841379]
本研究では,従来のクラスタリング手法を置き換える軽量グラフニューラルネットワーク(GNN)を提案する。既存の手法とは異なり、GNNはローカル画像特徴と生特徴とのペアワイズ親和性の両方を入力として取ります。画像セグメンテーションGNNを訓練するための自己教師付き損失関数として,古典的クラスタリングの目的を定式化する方法を実証する。
論文参考訳（メタデータ） (2022-12-12T12:31:46Z)
Total Variation Graph Neural Networks [5.571369922847262]
最近提案されたグラフニューラルネットワーク(GNN)は、教師なしの最小カット目標を用いて訓練されている。本稿では,最小カットの厳密な緩和を最適化し,クラスタ割り当てを計算するGNNモデルを提案する。
論文参考訳（メタデータ） (2022-11-11T14:13:14Z)
Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
論文参考訳（メタデータ） (2022-09-02T09:17:10Z)
Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
論文参考訳（メタデータ） (2021-10-15T03:25:28Z)
Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文参考訳（メタデータ） (2021-08-15T13:14:28Z)
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)
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)

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。