論文の概要: Community detection in complex networks via node similarity, graph
representation learning, and hierarchical clustering
- arxiv url: http://arxiv.org/abs/2303.12212v1
- Date: Tue, 21 Mar 2023 22:12:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 15:54:41.923497
- Title: Community detection in complex networks via node similarity, graph
representation learning, and hierarchical clustering
- Title（参考訳）: ノード類似性、グラフ表現学習、階層クラスタリングによる複雑なネットワークにおけるコミュニティ検出
- Authors: {\L}ukasz Brzozowski, Grzegorz Siudem, Marek Gagolewski
- Abstract要約: コミュニティ検出は、現実世界のグラフやネットワークの分析において重要な課題である。
グラフにおけるコミュニティ検出に階層的クラスタリング手法を適用するための3つのアルゴリズムフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.264842058017711
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Community detection is a critical challenge in the analysis of real-world
graphs and complex networks, including social, transportation, citation,
cybersecurity networks, and food webs. Motivated by many similarities between
community detection and clustering in Euclidean spaces, we propose three
algorithm frameworks to apply hierarchical clustering methods for community
detection in graphs. We show that using our methods, it is possible to apply
various linkage-based (single-, complete-, average- linkage, Ward, Genie)
clustering algorithms to find communities based on vertex similarity matrices,
eigenvector matrices thereof, and Euclidean vector representations of nodes. We
convey a comprehensive analysis of choices for each framework, including
state-of-the-art graph representation learning algorithms, such as Deep Neural
Graph Representation, and a vertex proximity matrix known to yield high-quality
results in machine learning -- Positive Pointwise Mutual Information. Overall,
we test over a hundred combinations of framework components and show that some
-- including Wasserman-Faust and PPMI proximity, DNGR representation -- can
compete with algorithms such as state-of-the-art Leiden and Louvain and easily
outperform other known community detection algorithms. Notably, our algorithms
remain hierarchical and allow the user to specify any number of clusters a
priori.
- Abstract（参考訳）: コミュニティ検出は、社会、交通、引用、サイバーセキュリティネットワーク、フードウェブなど、現実世界のグラフや複雑なネットワークの分析において重要な課題である。
ユークリッド空間におけるコミュニティ検出とクラスタリングの多くの類似性から,グラフにおけるコミュニティ検出に階層的クラスタリング手法を適用するための3つのアルゴリズムフレームワークを提案する。
提案手法を用いることで,ノードの頂点類似度行列,固有ベクトル行列,ユークリッドベクトル表現に基づいて,様々なリンクベース(単一,完全,平均リンク,ウォード,ジェニー)クラスタリングアルゴリズムを適用し,コミュニティを見つけることができることを示す。
We convey a comprehensive analysis of choices for each framework, including state-of-the-art graph representation learning algorithms, such as Deep Neural Graph Representation, and a vertex proximity matrix known to yield high-quality results in machine learning -- Positive Pointwise Mutual Information. Overall, we test over a hundred combinations of framework components and show that some -- including Wasserman-Faust and PPMI proximity, DNGR representation -- can compete with algorithms such as state-of-the-art Leiden and Louvain and easily outperform other known community detection algorithms.
特に、我々のアルゴリズムは階層的であり、ユーザーは任意の数のクラスタを優先的に指定できる。
関連論文リスト
- A Dual Adaptive Assignment Approach for Robust Graph-Based Clustering [18.614842530666834]
我々は、ロバストグラフベースクラスタリング(RDSA)のためのDual Adaptive Assignment Approachと呼ばれる新しいフレームワークを導入する。
RDSAは3つの主要なコンポーネントから構成される: (i) グラフのトポロジ的特徴とノード属性を効果的に統合するノード埋め込みモジュール、 (ii) ノード割り当てに親和性行列を利用することでグラフモジュラリティを改善する構造ベースのソフトアサインモジュール、 (iii) コミュニティランドマークを識別し、モデルの堅牢性を高めるためにノード割り当てを洗練させるノードベースのソフトアサインモジュール。
この結果から,RDSAはクラスタリングの有効性やロバスト性,適応性など,グラフの種類によって堅牢なクラスタリングを実現していることが明らかとなった。
論文 参考訳（メタデータ） (2024-10-29T05:18:34Z) - Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2024-03-11T06:34:05Z) - Unified and Dynamic Graph for Temporal Character Grouping in Long Videos [31.192044026127032]
ビデオ時間的キャラクタグループ化は、ビデオ内の主要なキャラクタの出現モーメントを、そのアイデンティティに応じて特定する。
最近の研究は、教師なしクラスタリングからグラフベースのクラスタリングへと進化してきた。
時間的文字グループ化のための統一動的グラフ(UniDG)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-27T13:22:55Z) - 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) - ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial
Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。
提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文 参考訳（メタデータ） (2022-03-01T02:32:25Z) - Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。
クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。
GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
論文 参考訳（メタデータ） (2021-12-15T07:28:58Z) - Semi-Supervised Deep Learning for Multiplex Networks [20.671777884219555]
多重ネットワークは複雑なグラフ構造であり、エンティティの集合が複数のタイプの関係によって相互に接続される。
マルチプレックスネットワーク上の構造認識表現学習のための,新しい半教師付き手法を提案する。
論文 参考訳（メタデータ） (2021-10-05T13:37:43Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳（メタデータ） (2020-05-16T04:44:29Z) - 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。
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。