Fugu-MT 論文翻訳(概要): Learning Coherent Clusters in Weakly-Connected Network Systems

論文の概要: Learning Coherent Clusters in Weakly-Connected Network Systems

arxiv url: http://arxiv.org/abs/2211.15301v1
Date: Mon, 28 Nov 2022 13:32:25 GMT
ステータス: 処理完了
システム内更新日: 2022-11-29 22:54:17.006677
Title: Learning Coherent Clusters in Weakly-Connected Network Systems
Title（参考訳）: 弱連結ネットワークシステムにおけるコヒーレントクラスタの学習
Authors: Hancheng Min and Enrique Mallada
Abstract要約: 本稿では,コンポーネントが密結合な大規模動的ネットワークのための構造保存モデル手法を提案する。重みブロックモデルからネットワークグラフをランダムに生成する場合、近似誤差の上限を与える。
参考スコア（独自算出の注目度）: 7.766921168069532
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a structure-preserving model-reduction methodology for large-scale dynamic networks with tightly-connected components. First, the coherent groups are identified by a spectral clustering algorithm on the graph Laplacian matrix that models the network feedback. Then, a reduced network is built, where each node represents the aggregate dynamics of each coherent group, and the reduced network captures the dynamic coupling between the groups. We provide an upper bound on the approximation error when the network graph is randomly generated from a weight stochastic block model. Finally, numerical experiments align with and validate our theoretical findings.
Abstract（参考訳）: 本稿では,密結合コンポーネントを用いた大規模動的ネットワークのための構造保存モデル還元手法を提案する。まず、コヒーレント群は、ネットワークフィードバックをモデル化したグラフラプラシア行列上のスペクトルクラスタリングアルゴリズムによって同定される。次に、各ノードが各コヒーレントグループの集合ダイナミクスを表すように縮小されたネットワークを構築し、還元されたネットワークがグループ間の動的結合をキャプチャする。重み付き確率ブロックモデルからネットワークグラフをランダムに生成する場合、近似誤差の上限を与える。最後に, 数値実験は理論的な知見と一致し, 検証する。

関連論文リスト

A Dirichlet stochastic block model for composition-weighted networks [0.0]
合成重みベクトルの直接モデリングに基づく合成重み付きネットワークのブロックモデルを提案する。推論は分類期待-最大化アルゴリズムの拡張によって実装される。このモデルはシミュレーション研究を用いて検証され,Erasmus交換プログラムのネットワークデータと,ロンドン市における自転車共有ネットワークで実証された。
論文参考訳（メタデータ） (2024-08-01T15:41:07Z)
GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-01-17T13:04:23Z)
Image segmentation with traveling waves in an exactly solvable recurrent neural network [71.74150501418039]
繰り返しニューラルネットワークは、シーンの構造特性に応じて、画像をグループに効果的に分割できることを示す。本稿では,このネットワークにおけるオブジェクトセグメンテーションのメカニズムを正確に記述する。次に、グレースケール画像中の単純な幾何学的対象から自然画像まで、入力をまたいで一般化するオブジェクトセグメンテーションの簡単なアルゴリズムを実証する。
論文参考訳（メタデータ） (2023-11-28T16:46:44Z)
DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。 6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文参考訳（メタデータ） (2022-06-01T09:51:38Z)
Network Clustering for Latent State and Changepoint Detection [0.0]
本稿では,ネットワーククラスタリングのタスクに対する凸アプローチを提案する。コンベックスネットワーククラスタリングのための効率的なアルゴリズムを提案し,その有効性を合成例で示す。
論文参考訳（メタデータ） (2021-11-01T21:51:45Z)
Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文参考訳（メタデータ） (2021-07-03T01:28:42Z)
Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。新規な構造化融合正規化に基づく一般グラフ推定器を提案する。提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文参考訳（メタデータ） (2021-03-05T04:42:32Z)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)
On the convergence of group-sparse autoencoders [9.393652136001732]
我々は,様々な生成モデルを考慮したグループスパースオートエンコーダを導入,研究する。クラスタリングモデルの場合、アクティブなユニットの同じグループで発生する入力は同じクラスタに属します。この設定では、ネットワークパラメータを生成行列の近傍に収束させることを理論的に証明する。
論文参考訳（メタデータ） (2021-02-13T21:17:07Z)
Consistency of Spectral Clustering on Hierarchical Stochastic Block Models [5.983753938303726]
実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。本手法の強い一貫性を,幅広いモデルパラメータで証明する。既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
論文参考訳（メタデータ） (2020-04-30T01:08:59Z)
Network Clustering Via Kernel-ARMA Modeling and the Grassmannian The Brain-Network Case [6.78543866474958]
本稿では,時系列データにアノテートしたノードを持つネットワークを対象としたクラスタリングフレームワークを提案する。このフレームワークは、状態クラスタリング、状態内のノードクラスタリング、サブネットワーク-状態系列の識別/追跡など、あらゆるタイプのネットワーククラスタリング問題に対処する。
論文参考訳（メタデータ） (2020-02-18T19:48:38Z)

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。