論文の概要: Consistency between ordering and clustering methods for graphs

• arxiv url: http://arxiv.org/abs/2208.12933v2
• Date: Fri, 7 Apr 2023 16:02:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 15:23:06.753935
• Title: Consistency between ordering and clustering methods for graphs
• Title（参考訳）: グラフの順序付けとクラスタリングの整合性
• Authors: Tatsuro Kawamoto, Masaki Ochi, Teruyoshi Kobayashi
• Abstract要約: 本稿では,複数のクラスタリングと順序付け手法の方法論的関係について検討する。 本稿では,ラベル連続度誤差と呼ばれる尺度を提案し,シーケンスとパーティション間の一貫性の度合いを一般化的に定量化する。 合成および実世界のデータセットに基づいて,オーダリング手法がモジュール構造を識別する範囲を評価する。
• 参考スコア（独自算出の注目度）: 0.8594140167290096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A relational dataset is often analyzed by optimally assigning a label to each element through clustering or ordering. While similar characterizations of a dataset would be achieved by both clustering and ordering methods, the former has been studied much more actively than the latter, particularly for the data represented as graphs. This study fills this gap by investigating methodological relationships between several clustering and ordering methods, focusing on spectral techniques. Furthermore, we evaluate the resulting performance of the clustering and ordering methods. To this end, we propose a measure called the label continuity error, which generically quantifies the degree of consistency between a sequence and partition for a set of elements. Based on synthetic and real-world datasets, we evaluate the extents to which an ordering method identifies a module structure and a clustering method identifies a banded structure.
• Abstract（参考訳）: リレーショナルデータセットは、クラスタリングや順序付けを通じて、各要素にラベルを最適に割り当てることで、しばしば分析される。 類似したデータセットの特徴はクラスタリングと順序付けの両方によって達成されるが、前者は後者よりも活発に研究され、特にグラフとして表されるデータについて研究されている。 本研究では,複数のクラスタリング手法と順序付け手法の方法論的関係を調べることにより,このギャップを埋めている。 さらに,クラスタリングおよび順序付け手法の性能評価を行った。 そこで本研究では,一連の要素の配列と分割の一貫性の程度を汎用的に定量化するラベル連続性誤差と呼ばれる尺度を提案する。 合成および実世界のデータセットに基づいて,注文方式がモジュール構造を識別する範囲を評価し,クラスタリング方式がバンド構造を識別する。

関連論文リスト

• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• 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)
• Algorithm-Agnostic Interpretations for Clustering [0.0]
  縮小次元におけるクラスタリング結果を説明するために,アルゴリズムに依存しない解釈法を提案する。 クラスタリングにおける置換機能の重要性は、特徴値のシャッフルに基づく一般的なフレームワークを表している。 すべてのメソッドは、任意のクラスタリングアルゴリズムを使って、ソフトラベルやハードラベルを通じてインスタンスを再割り当てすることができる。
  論文  参考訳（メタデータ） (2022-09-21T18:08:40Z)
• Data Clustering as an Emergent Consensus of Autonomous Agents [0.0]
  本稿では,1次密度誘導コンセンサスプロトコルに基づくデータセグメンテーション手法を提案する。 データセグメンテーションの停止基準につながるコンセンサスモデルを数学的に厳密に分析する。
  論文  参考訳（メタデータ） (2022-04-22T09:11:35Z)
• Natural Hierarchical Cluster Analysis by Nearest Neighbors with Near-Linear Time Complexity [0.0]
  そこで本研究では,クラスタの自然な階層化を実現する,近接クラスタリングアルゴリズムを提案する。 集約的および分割的階層的クラスタリングアルゴリズムとは対照的に,我々のアプローチはアルゴリズムの反復的な動作に依存しない。
  論文  参考訳（メタデータ） (2022-03-15T16:03:42Z)
• Clustering Ensemble Meets Low-rank Tensor Approximation [50.21581880045667]
  本稿では,複数のクラスタリングを組み合わせ,個々のクラスタリングよりも優れたパフォーマンスを実現するクラスタリングアンサンブルの問題について検討する。 本稿では,この問題をグローバルな視点から解くために,新しい低ランクテンソル近似法を提案する。 7つのベンチマークデータセットを用いた実験の結果,提案手法は12の最先端手法と比較して,クラスタリング性能のブレークスルーを達成した。
  論文  参考訳（メタデータ） (2020-12-16T13:01:37Z)
• 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)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Order preserving hierarchical agglomerative clustering [0.0]
  このような順序データの階層的クラスタリングを順序保存する問題について検討する。 クラスタリングは類似性に基づいており、シングルリンケージや完全リンケージのような標準リンケージ関数を使用する。 最適な階層的クラスタリングは、元の相似度測度に最も近い超測度に対応する部分的デンドログラムとして定義される。
  論文  参考訳（メタデータ） (2020-04-26T21:58:53Z)
• 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。