Fugu-MT 論文翻訳(概要): Constant Approximation for Normalized Modularity and Associations Clustering

論文の概要: Constant Approximation for Normalized Modularity and Associations Clustering

arxiv url: http://arxiv.org/abs/2212.14334v1
Date: Thu, 29 Dec 2022 14:58:55 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 17:51:55.467154
Title: Constant Approximation for Normalized Modularity and Associations Clustering
Title（参考訳）: 正規化モジュラリティの定数近似とアソシエーションクラスタリング
Authors: Jakub {\L}\k{a}cki, Vahab Mirrokni and Christian Sohler
Abstract要約: 我々の定義は、一般的なクラスタリング測度、すなわち正規化アソシエーションと正規化モジュラリティと密接に関連していることが示される。正規化モジュラリティと正規化アソシエーションのための第1の定数要素近似アルゴリズムを示す線形時間定数近似アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 6.4993185015131365
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study the problem of graph clustering under a broad class of objectives in which the quality of a cluster is defined based on the ratio between the number of edges in the cluster, and the total weight of vertices in the cluster. We show that our definition is closely related to popular clustering measures, namely normalized associations, which is a dual of the normalized cut objective, and normalized modularity. We give a linear time constant-approximate algorithm for our objective, which implies the first constant-factor approximation algorithms for normalized modularity and normalized associations.
Abstract（参考訳）: 本研究では,クラスタのエッジ数とクラスタ内の頂点の総重みの比率に基づいてクラスタの品質を定義する,幅広い目的の分類の下でのグラフクラスタリングの問題について検討する。本定義は,正規化カット対象の双対である正規化結合と正規化モジュラリティという,一般的なクラスタリング尺度と密接に関連していることを示す。正規化モジュラリティと正規化アソシエーションのための第1の定数要素近似アルゴリズムを示す線形時間定数近似アルゴリズムを提案する。

関連論文リスト

Similarity and Dissimilarity Guided Co-association Matrix Construction for Ensemble Clustering [22.280221709474105]
アンサンブルクラスタリングを実現するためにSDGCA(Simisity and Dissimilarity Guided Co-Association matrix)を提案する。まず、各クラスタの品質を推定するために正規化アンサンブルエントロピーを導入し、この推定に基づいて類似度行列を構築した。ランダムウォークを用いて、基底クラスタリングの高次近接を探索し、相似行列を構成する。
論文参考訳（メタデータ） (2024-11-01T08:10:28Z)
Maximum Likelihood Estimation on Stochastic Blockmodels for Directed Graph Clustering [22.421702511126373]
我々は、有向ブロックモデルにおいて、基盤となるコミュニティを推定するものとしてクラスタリングを定式化する。本稿では,2つの効率的かつ解釈可能な有向クラスタリングアルゴリズム,スペクトルクラスタリングアルゴリズム,半定値プログラミングに基づくクラスタリングアルゴリズムを紹介する。
論文参考訳（メタデータ） (2024-03-28T15:47:13Z)
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)
A Computational Theory and Semi-Supervised Algorithm for Clustering [0.0]
半教師付きクラスタリングアルゴリズムを提案する。クラスタリング法のカーネルは、Mohammadの異常検出アルゴリズムである。結果は、合成および実世界のデータセットで示される。
論文参考訳（メタデータ） (2023-06-12T09:15:58Z)
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)
Gradient Based Clustering [72.15857783681658]
本稿では,クラスタリングの品質を計測するコスト関数の勾配を用いて,距離に基づくクラスタリングの一般的な手法を提案する。アプローチは反復的な2段階の手順(クラスタ割り当てとクラスタセンターのアップデートの代替)であり、幅広い機能に適用できる。
論文参考訳（メタデータ） (2022-02-01T19:31:15Z)
Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。これは異常検出とは違い、その目標は異常を通常のデータから分割することである。パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
論文参考訳（メタデータ） (2021-12-21T23:11:33Z)
Spatially Coherent Clustering Based on Orthogonal Nonnegative Matrix Factorization [0.0]
本稿では,クラスタメンバシップ行列の総変動(TV)正規化手順に基づく作業クラスタリングモデルを紹介する。マトリックス支援レーザー脱離イオン化イメージング測定から得られた超スペクトルデータセット上の提案手法をすべて数値的に評価する。
論文参考訳（メタデータ） (2021-04-25T23:40:41Z)
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)
Doubly Stochastic Subspace Clustering [9.815735805354905]
多くの最先端サブスペースクラスタリング法は、まずデータポイント間の親和性行列を構築し、その親和性にスペクトルクラスタリングを適用することによって、2段階のプロセスに従う。本研究では、データの自己表現表現と、スペクトルクラスタリングによく正規化された親和性行列の両方を学習する。実験により,コンピュータビジョンにおける多くの共通データセットに対して,最先端のサブスペースクラスタリング性能が得られた。
論文参考訳（メタデータ） (2020-11-30T14:56:54Z)
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)

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。