論文の概要: Semi-supervised Local Cluster Extraction by Compressive Sensing
- arxiv url: http://arxiv.org/abs/2211.11114v1
- Date: Sun, 20 Nov 2022 22:55:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 23:41:37.303545
- Title: Semi-supervised Local Cluster Extraction by Compressive Sensing
- Title(参考訳): 圧縮センシングによる半教師付き局所クラスター抽出
- Authors: Zhaiming Shen, Ming-Jun Lai, Sheng Li
- Abstract要約: 局所クラスタリング問題は、グラフ構造全体を知る必要なく、グラフ内の小さな局所構造を抽出することを目的としている。
圧縮センシングの概念を適用した半教師付き局所クラスタ抽出手法を提案する。
- 参考スコア(独自算出の注目度): 6.201013168008033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Local clustering problem aims at extracting a small local structure inside a
graph without the necessity of knowing the entire graph structure. As the local
structure is usually small in size compared to the entire graph, one can think
of it as a compressive sensing problem where the indices of target cluster can
be thought as a sparse solution to a linear system. In this paper, we propose a
new semi-supervised local cluster extraction approach by applying the idea of
compressive sensing based on two pioneering works under the same framework. Our
approves improves the existing works by making the initial cut to be the entire
graph and hence overcomes a major limitation of existing works, which is the
low quality of initial cut. Extensive experimental results on multiple
benchmark datasets demonstrate the effectiveness of our approach.
- Abstract(参考訳): 局所クラスタリング問題は、グラフ構造全体を知る必要なく、グラフ内の小さな局所構造を抽出することを目的としている。
局所構造は通常グラフ全体と比較して小さいため、対象クラスタの指数を線形系に対するスパース解と考えることができる圧縮センシング問題と考えることができる。
本稿では,2つの先駆的手法に基づく圧縮センシングの考え方を適用し,半教師付き局所クラスタ抽出手法を提案する。
我々は,初期カットを全グラフにすることで既存の作業を改善することを承認し,初期カットの低品質である既存作業の大幅な制限を克服する。
複数のベンチマークデータセットに対する大規模な実験結果から,本手法の有効性が示された。
関連論文リスト
- Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳(メタデータ) (2024-02-25T07:03:37Z) - 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) - Semi-Supervised Clustering of Sparse Graphs: Crossing the
Information-Theoretic Threshold [3.6052935394000234]
ブロックモデルは、ネットワーク構造データのクラスタリングとコミュニティ検出のための標準ランダムグラフモデルである。
ネットワークトポロジに基づく推定器は、モデルパラメータが一定の閾値以下である場合、スパースグラフの確率よりも大幅に向上する。
パラメータ領域全体でラベルの任意の部分で実現可能であることを示す。
論文 参考訳(メタデータ) (2022-05-24T00:03:25Z) - Self-supervised Graph-level Representation Learning with Local and
Global Structure [71.45196938842608]
自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。
GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。
モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
論文 参考訳(メタデータ) (2021-06-08T05:25:38Z) - 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) - Semi-Supervised Crowd Counting via Self-Training on Surrogate Tasks [50.78037828213118]
本稿では,機能学習の観点から,半教師付き群集カウント問題に取り組む。
本稿では,2つの革新的なコンポーネント上に構築された,新しい半教師付き群集カウント手法を提案する。
論文 参考訳(メタデータ) (2020-07-07T05:30:53Z) - Clustering with Tangles: Algorithmic Framework and Theoretical
Guarantees [10.992467680364962]
本稿では,機械学習応用におけるトライアングルの実用可能性を示す。
任意のデータセットのカットの集合が与えられたとき、トライアングルはこれらのカットを密集構造の方向を指し示すために集約する。
タングルを用いたクラスタリングのためのアルゴリズムフレームワークを構築し、様々な設定で理論的保証を証明し、広範囲なシミュレーションとユースケースを提供する。
論文 参考訳(メタデータ) (2020-06-25T14:23:56Z) - Incorporating User's Preference into Attributed Graph Clustering [14.082520165369885]
局所クラスタに対して,グラフ一様性(GU)と属性一様性(AU)の2つの品質尺度を提案する。
LOCLUによって検出された局所クラスタは、関心領域に集中し、グラフ内の効率的な情報フローを提供し、指定された属性のサブ空間に一様データ分布を示す。
論文 参考訳(メタデータ) (2020-03-24T19:07:22Z) - CycleCluster: Modernising Clustering Regularisation for Deep
Semi-Supervised Classification [0.0]
深層半教師付き分類のための新しいフレームワークであるCycleClusterを提案する。
我々のコア最適化は、グラフベースの擬似ラベルと共有深層ネットワークとともに、新たなクラスタリングベースの正規化によって推進されます。
論文 参考訳(メタデータ) (2020-01-15T13:34:02Z)
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。