論文の概要: Hypergraph Artificial Benchmark for Community Detection (h-ABCD)
- arxiv url: http://arxiv.org/abs/2210.15009v3
- Date: Mon, 12 Jun 2023 19:02:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 18:24:35.995518
- Title: Hypergraph Artificial Benchmark for Community Detection (h-ABCD)
- Title（参考訳）: コミュニティ検出のためのハイパーグラフ人工ベンチマーク(h-ABCD)
- Authors: Bogumi{\l} Kami\'nski, Pawe{\l} Pra{\l}at, Fran\c{c}ois Th\'eberge
- Abstract要約: h-ABCDは、地平線の大きさと電力法に従って度合いの分布を持つランダムなハイパーグラフを生成する。
オリジナルのABCDと同様に、新しいモデルh-ABCDは様々なレベルのノイズを持つハイパーグラフを生成することができる。
- 参考スコア（独自算出の注目度）: 5.8010446129208155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Artificial Benchmark for Community Detection (ABCD) graph is a recently
introduced random graph model with community structure and power-law
distribution for both degrees and community sizes. The model generates graphs
with similar properties as the well-known LFR one, and its main parameter can
be tuned to mimic its counterpart in the LFR model, the mixing parameter. In
this paper, we introduce hypergraph counterpart of the ABCD model, h-ABCD,
which produces random hypergraph with distributions of ground-truth community
sizes and degrees following power-law. As in the original ABCD, the new model
h-ABCD can produce hypergraphs with various levels of noise. More importantly,
the model is flexible and can mimic any desired level of homogeneity of
hyperedges that fall into one community. As a result, it can be used as a
suitable, synthetic playground for analyzing and tuning hypergraph community
detection algorithms.
- Abstract（参考訳）: コミュニティ検出のための人工ベンチマーク(abcd)グラフは、最近導入されたランダムグラフモデルで、次数とコミュニティサイズの両方のコミュニティ構造とパワーロー分布を持つ。
モデルは、よく知られたLFRモデルと類似した特性を持つグラフを生成し、その主パラメータは、LFRモデル、混合パラメータに類似するように調整することができる。
本稿では,ABCDモデルであるh-ABCDのハイパーグラフについて紹介する。
オリジナルのABCDと同様に、新しいモデルh-ABCDは様々なレベルのノイズを持つハイパーグラフを生成することができる。
さらに重要なのは、モデルが柔軟で、1つのコミュニティに該当するハイパーエッジの任意の均一性のレベルを模倣することができることだ。
その結果,ハイパーグラフコミュニティ検出アルゴリズムの解析とチューニングに適した合成遊び場として利用することができる。
関連論文リスト
- HyperSMOTE: A Hypergraph-based Oversampling Approach for Imbalanced Node Classifications [2.172034690069702]
ハイパーグラフ学習におけるクラス不均衡問題を緩和する手法としてHyperSMOTEを提案する。
マイノリティクラスとその周辺地域のサンプルに基づいて新しいノードを合成する。
新たなノードをハイパーグラフに統合する際の問題を解決するために,元のハイパーグラフインシデント行列に基づいてデコーダを訓練する。
論文 参考訳（メタデータ） (2024-09-09T08:01:28Z) - IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。
本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
論文 参考訳（メタデータ） (2024-08-23T16:24:40Z) - Self-similarity of Communities of the ABCD Model [0.5461938536945723]
The Artificial Benchmark for Community Detection (ABCD) graph is a random graph model with community structure and power-law distribution for both degrees and community sizes。
ABCDモデルは興味深い自己相似行動を示す。
論文 参考訳（メタデータ） (2023-11-30T22:52:39Z) - Graph Out-of-Distribution Generalization with Controllable Data
Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。
トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。
仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文 参考訳（メタデータ） (2023-08-16T13:10:27Z) - Artificial Benchmark for Community Detection with Outliers (ABCD+o) [5.8010446129208155]
ABCDモデルを拡張して、潜在的な外れ値を含める。
我々はABCD+oモデルと実世界のネットワークの両方で探索実験を行い、外れ値が所望の特性を持つことを示す。
論文 参考訳（メタデータ） (2023-01-13T20:14:44Z) - Hypergraph Convolutional Networks via Equivalency between Hypergraphs
and Undirected Graphs [59.71134113268709]
本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。
本稿では,提案するフレームワークが最先端の性能を達成できることを示す。
ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
論文 参考訳（メタデータ） (2022-03-31T10:46:47Z) - Modularity of the ABCD Random Graph Model with Community Structure [2.580765958706854]
ABCDグラフ(ABCD graph)は、地域社会の構造と、地域社会の大きさの両面での権力-法則分布を持つランダムグラフモデルである。
我々は,ネットワークの最も重要なグラフ特性であるモジュラリティ関数を,コミュニティ検出の文脈で解析する。
また、広く使われているルービンアルゴリズムを含む多くのコミュニティ検出アルゴリズムの品質関数としても使用されている。
論文 参考訳（メタデータ） (2022-03-03T01:49:46Z) - Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。
GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。
本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
論文 参考訳（メタデータ） (2021-12-19T05:04:53Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z) - Generative hypergraph clustering: from blockmodels to modularity [26.99290024958576]
異質なノード度とエッジサイズを持つクラスタ化ハイパーグラフの表現的生成モデルを提案する。
我々は,100万ノードの合成ハイパーグラフを用いた実験など,ハイパーグラフ・ルーバインは高度にスケーラブルであることを示す。
このモデルを用いて,学校連絡ネットワークにおける高次構造の異なるパターン,米国議会法案共同提案,米国議会委員会,共同購入行動における製品カテゴリ,ホテルロケーションを分析した。
論文 参考訳（メタデータ） (2021-01-24T00:25:22Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。