論文の概要: A network community detection method with integration of data from
multiple layers and node attributes
- arxiv url: http://arxiv.org/abs/2305.13012v1
- Date: Mon, 22 May 2023 13:15:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-23 15:53:39.659320
- Title: A network community detection method with integration of data from
multiple layers and node attributes
- Title（参考訳）: 複数のレイヤからのデータとノード属性の統合によるネットワークコミュニティ検出手法
- Authors: Hannu Reittu, Lasse Leskel\"a, Tomi R\"aty
- Abstract要約: 列がノードに対応し、列がデータ項目に対応しているデータマトリックスにおいて、ネットワークデータを単純な方法で表現する方法を提案する。
データ行列を圧縮するためには、非平方行列に対する正規分解法と呼ばれる拡張を提案する。
提案手法を,インターネットの自律システムグラフとワールドエアライングラフの2つの実ネットワークで説明する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multilayer networks are in the focus of the current complex network study. In
such networks multiple types of links may exist as well as many attributes for
nodes. To fully use multilayer -- and other types of complex networks in
applications, the merging of various data with topological information renders
a powerful analysis. First, we suggest a simple way of representing network
data in a data matrix where rows correspond to the nodes, and columns
correspond to the data items. The number of columns is allowed to be arbitrary,
so that the data matrix can be easily expanded by adding columns. The data
matrix can be chosen according to targets of the analysis, and may vary a lot
from case to case. Next, we partition the rows of the data matrix into
communities using a method which allows maximal compression of the data matrix.
For compressing a data matrix, we suggest to extend so called regular
decomposition method for non-square matrices. We illustrate our method for
several types of data matrices, in particular, distance matrices, and matrices
obtained by augmenting a distance matrix by a column of node degrees, or by
concatenating several distances matrices corresponding to layers of a
multilayer network. We illustrate our method with synthetic power-law graphs
and two real networks: an Internet autonomous systems graph and a world airline
graph. We compare the outputs of different community recovery methods on these
graphs, and discuss how incorporating node degrees as a separate column to the
data matrix leads our method to identify community structures well-aligned with
tiered hierarchical structures commonly encountered in complex scale-free
networks.
- Abstract（参考訳）: 多層ネットワークは、現在の複雑なネットワーク研究の焦点となっている。
このようなネットワークでは、複数のタイプのリンクとノードの属性が存在する可能性がある。
アプリケーションでマルチレイヤと他の種類の複雑なネットワークを完全に利用するには、トポロジカルな情報と様々なデータのマージが強力な分析となる。
まず、列がノードに対応し、列がデータ項目に対応しているデータマトリックスにおいて、ネットワークデータを単純な方法で表現する方法を提案する。
列の数を任意にできるので、列を追加することでデータマトリックスを容易に拡張できる。
データマトリックスは分析対象に応じて選択することができ、ケースによって大きく異なる場合がある。
次に,データ行列の最大圧縮を可能にする手法を用いて,データ行列の行をコミュニティに分割する。
データ行列を圧縮するためには、非平方行列に対する正規分解法と呼ばれる拡張を提案する。
本稿では,数種類のデータ行列,特に距離行列と行列について,ノード次数の列で距離行列を増大させたり,多層ネットワークの層に対応する複数の距離行列を連結させたりする手法を提案する。
本手法を合成パワーローグラフと2つの実ネットワーク(インターネット自律型システムグラフとワールド・エアライン・グラフ)を用いて示す。
本稿では,これらのグラフ上の異なるコミュニティ・リカバリ手法の出力を比較し,ノードの次数を分離した列としてデータ・マトリックスに組み込むことにより,複雑なスケールフリー・ネットワークでよく見られる階層構造とよく一致したコミュニティ構造を識別する手法について考察する。
関連論文リスト
- SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。
私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。
アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文 参考訳（メタデータ） (2024-09-30T17:59:03Z) - Empirical Bayes Linked Matrix Decomposition [0.0]
この問題に対する経験的変分ベイズ的アプローチを提案する。
単一行列文脈において新規な反復的計算手法について述べる。
提案手法は,下層の低ランク信号の回復に関して,異なるシナリオ下で非常によく機能することを示す。
論文 参考訳（メタデータ） (2024-08-01T02:13:11Z) - Multilayer Graph Approach to Deep Subspace Clustering [0.0]
自己表現型モデル学習表現行列に基づくディープサブスペースクラスタリング(DSC)ネットワークは、完全に接続されたネットワークで実装されることが多い。
本稿では,入力データを含むエンコーダネットワークの全層から学習した表現から,選択した線形部分空間クラスタリングアルゴリズムを用いて表現を学習する。
ベースラインモデルとして2つのDSCネットワークを持つ4つのよく知られたデータセットに対して,提案手法を検証した。
論文 参考訳（メタデータ） (2024-01-30T14:09:41Z) - Attributed Multi-order Graph Convolutional Network for Heterogeneous
Graphs [29.618952407794783]
AMOGCN(AnAttributed Multi-Order Graph Convolutional Network)を提案する。
AMOGCNは最先端の競合に比べて優れた半教師付き分類性能を得る。
論文 参考訳（メタデータ） (2023-04-13T08:31:16Z) - Exploring ordered patterns in the adjacency matrix for improving machine
learning on complex networks [0.0]
提案手法は、複素グラフの隣接行列の要素を特定の順序で並べ替えるソートアルゴリズムを用いる。
結果のソートされた隣接行列は、特徴抽出と機械学習アルゴリズムの入力として使用され、ネットワークを分類する。
論文 参考訳（メタデータ） (2023-01-20T00:01:23Z) - Learning Feature Aggregation for Deep 3D Morphable Models [57.1266963015401]
階層レベルで機能集約を向上するためのマッピング行列を学習するための注意に基づくモジュールを提案する。
実験の結果,マッピング行列のエンドツーエンドトレーニングにより,様々な3次元形状データセットの最先端結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-05-05T16:41:00Z) - Deep Learning Approach for Matrix Completion Using Manifold Learning [3.04585143845864]
本論文では,線形モデルと非線形モデルを組み合わせたデータ行列の新しい潜在変数モデルを提案する。
データマトリクスのエントリ間の線形および非線形関係の両方に対処するために、新しいディープニューラルネットワークベースの行列補完アルゴリズムを設計します。
論文 参考訳（メタデータ） (2020-12-11T01:01:54Z) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳（メタデータ） (2020-10-29T09:58:02Z) - Multi-View Spectral Clustering with High-Order Optimal Neighborhood
Laplacian Matrix [57.11971786407279]
マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。
本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。
提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
論文 参考訳（メタデータ） (2020-08-31T12:28:40Z) - Eigendecomposition-Free Training of Deep Networks for Linear
Least-Square Problems [107.3868459697569]
我々は、ディープネットワークのトレーニングに固有分解のないアプローチを導入する。
この手法は固有分解の明示的な微分よりもはるかに堅牢であることを示す。
我々の手法は収束特性が良く、最先端の結果が得られます。
論文 参考訳（メタデータ） (2020-04-15T04:29:34Z) - Multi-view Deep Subspace Clustering Networks [64.29227045376359]
マルチビューサブスペースクラスタリングは、相補的な情報の複数のビューを融合することによって、データ固有の構造を発見することを目的としている。
本稿では,MvDSCN(Multi-view Deep Subspace Clustering Networks)を提案する。
MvDSCNはクラスタリング性能を高めるために複数のバックボーンを統合する。
論文 参考訳（メタデータ） (2019-08-06T06:44:43Z)
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。