論文の概要: On Learning the Structure of Clusters in Graphs

• arxiv url: http://arxiv.org/abs/2212.14345v1
• Date: Thu, 29 Dec 2022 15:26:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 17:51:44.945631
• Title: On Learning the Structure of Clusters in Graphs
• Title（参考訳）: グラフにおけるクラスタの構造学習について
• Authors: Peter Macgregor
• Abstract要約: 多くの実世界のアプリケーションでは、クラスタは大きなハイレベルな構造を持つ。 これはグラフクラスタリングアルゴリズムの設計と解析においてしばしば見過ごされる。 この論文は、クラスタの構造を効率的に学習できるかどうかという自然問題に対処する。
• 参考スコア（独自算出の注目度）: 3.8073142980733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph clustering is a fundamental problem in unsupervised learning, with numerous applications in computer science and in analysing real-world data. In many real-world applications, we find that the clusters have a significant high-level structure. This is often overlooked in the design and analysis of graph clustering algorithms which make strong simplifying assumptions about the structure of the graph. This thesis addresses the natural question of whether the structure of clusters can be learned efficiently and describes four new algorithmic results for learning such structure in graphs and hypergraphs. All of the presented theoretical results are extensively evaluated on both synthetic and real-word datasets of different domains, including image classification and segmentation, migration networks, co-authorship networks, and natural language processing. These experimental results demonstrate that the newly developed algorithms are practical, effective, and immediately applicable for learning the structure of clusters in real-world data.
• Abstract（参考訳）: グラフクラスタリングは教師なし学習において根本的な問題であり、コンピュータ科学や現実世界のデータ分析に多くの応用がある。 多くの実世界のアプリケーションでは、クラスタは大きなハイレベルな構造を持つ。 これはグラフクラスタリングアルゴリズムの設計と解析においてしばしば見過ごされ、グラフの構造に関する仮定を強く単純化する。 本論文は,クラスタ構造を効率的に学習できるかどうかという自然な問題に対処し,グラフやハイパーグラフでその構造を学ぶための4つの新しいアルゴリズム的結果を記述する。 提案した理論結果は,画像分類とセグメンテーション,マイグレーションネットワーク,共著者ネットワーク,自然言語処理など,さまざまな領域の合成データセットと実単語データセットで広く評価されている。 これらの実験結果から,新たに開発したアルゴリズムは実用的かつ効果的であり,実世界データ中のクラスタ構造を即座に学習できることがわかった。

関連論文リスト

• ClusterGraph: a new tool for visualization and compression of multidimensional data [0.0]
  本稿では,任意のクラスタリングアルゴリズムの出力に付加的なレイヤを提供する。 クラスタリングアルゴリズムから得られたクラスタのグローバルなレイアウトに関する情報を提供する。
  論文  参考訳（メタデータ） (2024-11-08T09:40:54Z)
• TopER: Topological Embeddings in Graph Representation Learning [8.052380377159398]
  トポロジカル進化速度 (TopER) は、トポロジカルデータ解析に基づく低次元埋め込み手法である。 TopERはグラフ部分構造の進化率を計算することによって、重要な位相的アプローチである永続化ホモロジーを単純化する。 我々のモデルは、分類、クラスタリング、可視化といったタスクにおいて、分子、生物学的、ソーシャルネットワークのデータセットにまたがる最先端の結果を達成したり、超えたりします。
  論文  参考訳（メタデータ） (2024-10-02T17:31:33Z)
• Structure-enhanced Contrastive Learning for Graph Clustering [4.6746630466993055]
  ネットワーク構造を利用した構造強化コントラスト学習(SECL)を導入している。 SECLは、クロスビューコントラスト学習機構を使用して、精巧なデータ拡張なしにノード埋め込みを強化する。 6つのデータセットに対する大規模な実験により、SECLが現在の最先端手法よりも優れていることが確認された。
  論文  参考訳（メタデータ） (2024-08-19T08:39:08Z)
• 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)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:05:33Z)
• Homophily-enhanced Structure Learning for Graph Clustering [19.586401211161846]
  グラフ構造学習は、欠落したリンクを追加し、スプリアス接続を取り除くことで、入力グラフの精細化を可能にする。 グラフ構造学習におけるこれまでの取り組みは、主に教師付き設定を中心に行われてきた。 グラフクラスタリングのためのtextbfhomophily-enhanced structure textbflearning という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-10T02:53:30Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• 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)
• Higher-Order Spectral Clustering of Directed Graphs [8.997952791113232]
  クラスタリングはアルゴリズムにおいて重要なトピックであり、機械学習、コンピュータビジョン、統計学、その他いくつかの研究分野に多くの応用がある。 本稿では,グラフクラスタリングのためのほぼ線形時間アルゴリズムを提案し,提案アルゴリズムが妥当な仮定の下でサブ線形時間で実装可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-10T13:06:37Z)
• 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)

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。