論文の概要: Transfer operators on graphs: Spectral clustering and beyond

• arxiv url: http://arxiv.org/abs/2305.11766v2
• Date: Wed, 14 Feb 2024 08:31:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-15 20:13:22.319360
• Title: Transfer operators on graphs: Spectral clustering and beyond
• Title（参考訳）: グラフ上の転送演算子:スペクトルクラスタリングとbeyond
• Authors: Stefan Klus, Maia Trower
• Abstract要約: 直交グラフのスペクトルクラスタリングは、クープマン作用素の固有関数の観点から解釈できることを示す。 一般化された転送演算子に基づく有向グラフの新しいクラスタリングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.147633309847809
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphs and networks play an important role in modeling and analyzing complex interconnected systems such as transportation networks, integrated circuits, power grids, citation graphs, and biological and artificial neural networks. Graph clustering algorithms can be used to detect groups of strongly connected vertices and to derive coarse-grained models. We define transfer operators such as the Koopman operator and the Perron-Frobenius operator on graphs, study their spectral properties, introduce Galerkin projections of these operators, and illustrate how reduced representations can be estimated from data. In particular, we show that spectral clustering of undirected graphs can be interpreted in terms of eigenfunctions of the Koopman operator and propose novel clustering algorithms for directed graphs based on generalized transfer operators. We demonstrate the efficacy of the resulting algorithms on several benchmark problems and provide different interpretations of clusters.
• Abstract（参考訳）: グラフとネットワークは、輸送ネットワーク、集積回路、電力グリッド、引用グラフ、生物学的および人工的なニューラルネットワークなどの複雑な相互接続システムのモデリングと分析において重要な役割を果たす。 グラフクラスタリングアルゴリズムは、強く連結された頂点のグループを検出し、粗粒モデルを導出するために使うことができる。 グラフ上のkoopman演算子やperron-frobenius演算子のような転送演算子を定義し、それらのスペクトル特性を研究し、これらの演算子のガレルキン射影を導入し、データからどのように縮小表現を推定できるかを示す。 特に、無向グラフのスペクトルクラスタリングをクープマン作用素の固有関数を用いて解釈し、一般化された転送作用素に基づく有向グラフの新しいクラスタリングアルゴリズムを提案する。 本研究では,複数のベンチマーク問題に対するアルゴリズムの有効性を実証し,クラスタの異なる解釈を提供する。

関連論文リスト

• Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
  グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。 グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
  論文  参考訳（メタデータ） (2022-09-02T09:17:10Z)
• Tuning the Geometry of Graph Neural Networks [0.7614628596146599]
  空間グラフ畳み込み演算子はグラフニューラルネットワーク(GNN)の成功の鍵として認識されている このアグリゲーション作用素は実際にチューナブルであり、作用素の特定の選択 -- 従って、ジオメトリを埋め込む -- がより適切であるような明示的なレギュレーションであることが示される。
  論文  参考訳（メタデータ） (2022-07-12T23:28:03Z)
• Nonbacktracking spectral clustering of nonuniform hypergraphs [2.408714894793063]
  非一様ハイパーグラフに対するスペクトルクラスタリングをハイパーグラフ非追跡演算子を用いて検討する。 本稿では,線形化された信念伝達を用いたハイパーグラフブロックモデルにおける推論の交互化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-04-27T01:14:06Z)
• Koopman-based spectral clustering of directed and time-evolving graphs [0.3655021726150368]
  非指向グラフのためのスペクトルクラスタリングアルゴリズムは十分に確立されており、教師なし機械学習問題にうまく適用されている。 しかし、有向グラフのクラスタ化は依然として困難であり、有向グラフのクラスタの定義は広く受け入れられていない。 ラプラシアンと転送演算子の関係を用いた有向グラフと時間進化グラフのクラスタリングアルゴリズムを導出する。 結果として得られるクラスターはコヒーレントな集合として解釈することができ、流体の輸送と混合過程の解析において重要な役割を果たす。
  論文  参考訳（メタデータ） (2022-04-06T17:33:24Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• 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)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Graph Laplacians, Riemannian Manifolds and their Machine-Learning [2.258160413679475]
  約8000個の有限グラフからなるWolframデータベースに、教師付きおよび教師なし機械学習やトポロジデータ解析などのデータサイエンスの最新技術を適用した。 ニューラル分類器,回帰器,ネットワークは,グラフのリッチ平坦性認識から,スペクトルギャップの予測,ハミルトン回路の存在検出に至るまで,多数のタスクを効率的に,高精度に行うことができる。
  論文  参考訳（メタデータ） (2020-06-30T09:16:56Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。