Fugu-MT 論文翻訳(概要): Graph Analysis Using a GPU-based Parallel Algorithm: Quantum Clustering

論文の概要: Graph Analysis Using a GPU-based Parallel Algorithm: Quantum Clustering

arxiv url: http://arxiv.org/abs/2305.14641v2
Date: Sun, 28 May 2023 10:20:47 GMT
ステータス: 処理完了
システム内更新日: 2023-05-30 23:42:39.347708
Title: Graph Analysis Using a GPU-based Parallel Algorithm: Quantum Clustering
Title（参考訳）: GPUに基づく並列アルゴリズムによるグラフ解析:量子クラスタリング
Authors: Zhe Wang, ZhiJie He, Ding Liu
Abstract要約: 本稿では、グラフ構造に量子クラスタリングを適用する新しい方法を紹介する。量子クラスタリング(Quantum Clustering, QC)は、ポテンシャル関数を構築してクラスター中心を決定する、新しい密度に基づく教師なし学習手法である。
参考スコア（独自算出の注目度）: 20.487154652322154
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The article introduces a new method for applying Quantum Clustering to graph structures. Quantum Clustering (QC) is a novel density-based unsupervised learning method that determines cluster centers by constructing a potential function. In this method, we use the Graph Gradient Descent algorithm to find the centers of clusters. GPU parallelization is utilized for computing potential values. We also conducted experiments on five widely used datasets and evaluated using four indicators. The results show superior performance of the method. Finally, we discuss the influence of $\sigma$ on the experimental results.
Abstract（参考訳）: 本稿では、グラフ構造に量子クラスタリングを適用する新しい方法を紹介する。量子クラスタリング(Quantum Clustering, QC)は、ポテンシャル関数を構築してクラスター中心を決定する、新しい密度に基づく教師なし学習手法である。本手法では,グラフ勾配降下アルゴリズムを用いてクラスタの中心を探索する。 GPU並列化はポテンシャル値の計算に利用される。また,広く使用されている5つのデータセットについて実験を行い,4つの指標を用いて評価した。その結果,提案手法の性能が向上した。最後に,実験結果に対する$\sigma$の影響について考察する。

関連論文リスト

Multi-View Stochastic Block Models [34.55723218769512]
我々は、この設定をキャプチャするtextitmulti-viewブロックモデルと呼ばれる、新しいモデルのファミリーを形式化する。本モデルでは,まず,複数のグラフの和合体をネーティブに扱う効率的なアルゴリズムについて検討する。そこで本研究では,各グラフの構造を別々に解析することで,従来の手法を確実に上回るアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-06-07T11:45:31Z)
From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
論文参考訳（メタデータ） (2023-09-24T10:10:21Z)
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)
Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
論文参考訳（メタデータ） (2023-02-02T08:33:36Z)
A Survey of Deep Graph Clustering: Taxonomy, Challenge, Application, and Open Resource [87.7460720701592]
本稿では, この分野における公式定義, 評価, 開発について紹介する。ディープグラフクラスタリング手法の分類は,グラフタイプ,ネットワークアーキテクチャ,学習パラダイム,クラスタリング手法など,4つの異なる基準に基づいて提示される。コンピュータビジョン、自然言語処理、レコメンデーションシステム、ソーシャルネットワーク分析、バイオインフォマティクス、医学を含む6分野におけるディープグラフクラスタリング手法の適用について述べる。
論文参考訳（メタデータ） (2022-11-23T11:31:11Z)
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)
Weighted Graph Nodes Clustering via Gumbel Softmax [0.0]
重み付きグラフデータセットのクラスタリングのためのグラフクラスタリングアルゴリズムの研究成果について述べる。アルゴリズムをGumbel Softmax(WGCGS)を介して重み付きグラフノードクラスタリングと呼びます。
論文参考訳（メタデータ） (2021-02-22T05:05:35Z)
Spectral Clustering using Eigenspectrum Shape Based Nystrom Sampling [19.675277307158435]
本稿では,新しいサンプリング手法であるCentroid Minimum Sum of Squared similarities (CMS3)と,それをいつ使用するかを示す,スケーラブルなNystromベースのクラスタリングアルゴリズムを提案する。我々のデータセットはデータセットの固有スペクトル形状に依存しており、他の最先端手法と比較して、テストにおいて競合する低ランク近似が得られる。
論文参考訳（メタデータ） (2020-07-21T17:49:03Z)
Quantum Spectral Clustering [5.414308305392762]
スペクトルクラスタリングは、非凸構造やネスト構造でデータをクラスタリングするための強力な機械学習アルゴリズムである。本稿では,エンドツーエンドの量子アルゴリズムのスペクトルクラスタリングを提案し,量子機械学習における多くの研究を拡張した。
論文参考訳（メタデータ） (2020-07-01T07:11:42Z)
Clustering with Tangles: Algorithmic Framework and Theoretical Guarantees [10.992467680364962]
本稿では,機械学習応用におけるトライアングルの実用可能性を示す。任意のデータセットのカットの集合が与えられたとき、トライアングルはこれらのカットを密集構造の方向を指し示すために集約する。タングルを用いたクラスタリングのためのアルゴリズムフレームワークを構築し、様々な設定で理論的保証を証明し、広範囲なシミュレーションとユースケースを提供する。
論文参考訳（メタデータ） (2020-06-25T14:23:56Z)
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)

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。