論文の概要: A parameter-free graph reduction for spectral clustering and SpectralNet
- arxiv url: http://arxiv.org/abs/2302.13165v1
- Date: Sat, 25 Feb 2023 21:19:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 18:28:56.858592
- Title: A parameter-free graph reduction for spectral clustering and SpectralNet
- Title（参考訳）: スペクトルクラスタリングとスペクトルネットのためのパラメータフリーグラフ削減
- Authors: Mashaan Alshammari, John Stavrakakis, Masahiro Takatsuka
- Abstract要約: 本稿では,パラメータを必要としないグラフ削減手法を提案する。
第一に、各点$p$からその近傍までの距離は、同じ周囲密度を持つ隣人にのみ適応しきい値を用いてフィルタリングされる。
2つのステップを生き残るエッジは、スペクトルクラスタリングであるSpectralNetに渡された構築されたグラフを形成する。
- 参考スコア（独自算出の注目度）: 1.5469452301122175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph-based clustering methods like spectral clustering and SpectralNet are
very efficient in detecting clusters of non-convex shapes. Unlike the popular
$k$-means, graph-based clustering methods do not assume that each cluster has a
single mean. However, these methods need a graph where vertices in the same
cluster are connected by edges of large weights. To achieve this goal, many
studies have proposed graph reduction methods with parameters. Unfortunately,
these parameters have to be tuned for every dataset. We introduce a graph
reduction method that does not require any parameters. First, the distances
from every point $p$ to its neighbors are filtered using an adaptive threshold
to only keep neighbors with similar surrounding density. Second, the
similarities with close neighbors are computed and only high similarities are
kept. The edges that survive these two filtering steps form the constructed
graph that was passed to spectral clustering and SpectralNet. The experiments
showed that our method provides a stable alternative, where other methods
performance fluctuated according to the setting of their parameters.
- Abstract（参考訳）: スペクトルクラスタリングやSpectralNetのようなグラフベースのクラスタリング手法は、非凸形状のクラスタを検出するのに非常に効率的である。
一般的な$k$-meansとは異なり、グラフベースのクラスタリングメソッドは、各クラスタが単一の平均を持つと仮定しません。
しかし、これらの方法は、同じクラスタ内の頂点が大きな重みのエッジによって接続されるグラフを必要とする。
この目的を達成するために、多くの研究がパラメータを用いたグラフ削減手法を提案している。
残念ながら、これらのパラメータはデータセット毎に調整する必要がある。
本稿では,パラメータを必要としないグラフ削減手法を提案する。
第一に、各点$p$からその近傍までの距離は、同じ周囲密度を持つ隣人にのみ適応しきい値を用いてフィルタリングされる。
第二に、近接する近傍との類似性は計算され、高い類似性のみが保持される。
これら2つのフィルタリングステップを生き残るエッジは、スペクトルクラスタリングとSpectralNetに渡された構築されたグラフを形成する。
実験の結果,パラメータの設定によって他の手法の性能が変動する安定な代替案が得られた。
関連論文リスト
- Multiscale Graph Construction Using Non-local Cluster Features [10.922757310575307]
グラフのマルチスケールクラスタリングにおいて,グラフとノードの機能を同時に検討する。
マルチスケール画像と点雲セグメンテーションの実験において,提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-11-13T06:42:03Z) - HeNCler: Node Clustering in Heterophilous Graphs through Learned Asymmetric Similarity [55.27586970082595]
HeNClerは、Heterophilous Node Clusteringの新しいアプローチである。
HeNClerは異種グラフコンテキストにおけるノードクラスタリングタスクの性能を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2024-05-27T11:04:05Z) - MeanCut: A Greedy-Optimized Graph Clustering via Path-based Similarity
and Degree Descent Criterion [0.6906005491572401]
スペクトルクラスタリングは、優れたパフォーマンス、簡単な実装、強力な適応性のために人気があり、魅力的です。
我々は,MeanCutを目的関数として提案し,非破壊グラフ分割の次数降下順で厳密に最適化する。
本アルゴリズムの有効性は,実世界のベンチマークによる検証と顔認識の適用によって実証される。
論文 参考訳（メタデータ） (2023-12-07T06:19:39Z) - Latent Random Steps as Relaxations of Max-Cut, Min-Cut, and More [30.919536115917726]
クラスタリングと単純化を統一する非負行列分解に基づく確率モデルを提案する。
ハードクラスタリングをソフトクラスタリングに緩和することにより、ハードクラスタリングの潜在的な問題をトラクタブルクラスタに緩和する。
論文 参考訳（メタデータ） (2023-08-12T02:47:57Z) - Dink-Net: Neural Clustering on Large Graphs [59.10189693120368]
ディープグラフクラスタリング法 (Dink-Net) は, 拡張と縮小という概念を用いて提案される。
ノードを識別することにより、拡張によって劣化しても、表現は自己教師された方法で学習される。
クラスタリング分布は、提案したクラスタ拡張損失とクラスタ縮小損失を最小化することにより最適化される。
ランナアップと比較して、Dink-Net 9.62%は1100万ノードと16億エッジを持つogbn-papers100MデータセットでNMIの改善を実現している。
論文 参考訳（メタデータ） (2023-05-28T15:33:24Z) - Rethinking k-means from manifold learning perspective [122.38667613245151]
平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。
具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。
異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
論文 参考訳（メタデータ） (2023-05-12T03:01:41Z) - Refining a $k$-nearest neighbor graph for a computationally efficient
spectral clustering [1.5469452301122175]
近似スペクトルクラスタリング(ASC)はサンプリングまたは量子化を使用してデータ代表を選択する。
我々は、データポイントを保持し、エッジ数を積極的に削減する、$k$-nearest 隣のグラフの洗練されたバージョンを提案する。
ASC法と比較して,提案手法はエッジの大幅な削減に拘わらず一貫した性能を示した。
論文 参考訳（メタデータ） (2023-02-22T11:31:32Z) - Spectral-Spatial Global Graph Reasoning for Hyperspectral Image
Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。
近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文 参考訳（メタデータ） (2021-06-26T06:24:51Z) - 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) - Average Sensitivity of Spectral Clustering [31.283432482502278]
入力グラフにおけるエッジ摂動に対するスペクトルクラスタリングの安定性について検討する。
その結果,入力グラフにクラスタ構造が存在する場合,スペクトルクラスタリングはエッジ摂動に対して安定であることが示唆された。
論文 参考訳（メタデータ） (2020-06-07T09:14:44Z) - Local Graph Clustering with Network Lasso [90.66817876491052]
局所グラフクラスタリングのためのネットワークLasso法の統計的および計算的性質について検討する。
nLassoによって提供されるクラスタは、クラスタ境界とシードノードの間のネットワークフローを通じて、エレガントに特徴付けられる。
論文 参考訳（メタデータ） (2020-04-25T17:52:05Z)
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。