論文の概要: M3C: A Framework towards Convergent, Flexible, and Unsupervised Learning of Mixture Graph Matching and Clustering

• arxiv url: http://arxiv.org/abs/2310.18444v1
• Date: Fri, 27 Oct 2023 19:40:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-31 18:32:48.160556
• Title: M3C: A Framework towards Convergent, Flexible, and Unsupervised Learning of Mixture Graph Matching and Clustering
• Title（参考訳）: M3C:混合グラフマッチングとクラスタリングの収束、柔軟性、教師なし学習のためのフレームワーク
• Authors: Jiaxin Lu, Zetian Jiang, Tianzhe Wang, Junchi Yan
• Abstract要約: 本稿では,理論収束を保証する学習自由度アルゴリズムであるM3Cを提案する。 我々は、新しいエッジワイド親和性学習と擬似ラベル選択を組み込んだ教師なしモデルUM3Cを開発した。 提案手法は,最先端のグラフマッチングと混合グラフマッチングとクラスタリングの手法を精度と効率の両面で優れている。
• 参考スコア（独自算出の注目度）: 57.947071423091415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing graph matching methods typically assume that there are similar structures between graphs and they are matchable. However, these assumptions do not align with real-world applications. This work addresses a more realistic scenario where graphs exhibit diverse modes, requiring graph grouping before or along with matching, a task termed mixture graph matching and clustering. We introduce Minorize-Maximization Matching and Clustering (M3C), a learning-free algorithm that guarantees theoretical convergence through the Minorize-Maximization framework and offers enhanced flexibility via relaxed clustering. Building on M3C, we develop UM3C, an unsupervised model that incorporates novel edge-wise affinity learning and pseudo label selection. Extensive experimental results on public benchmarks demonstrate that our method outperforms state-of-the-art graph matching and mixture graph matching and clustering approaches in both accuracy and efficiency. Source code will be made publicly available.
• Abstract（参考訳）: 既存のグラフマッチング法は通常、グラフの間に類似した構造があり、それらが一致可能であると仮定する。 しかし、これらの仮定は現実世界のアプリケーションと一致しない。 この作業は、グラフが様々なモードを示す、より現実的なシナリオに対処する。 minorize-maximization matching and clustering (m3c)は、minorize-maximizationフレームワークによる理論的収束を保証する、学習フリーなアルゴリズムである。 m3cに基づいて、新しいエッジアフィニティ学習と擬似ラベル選択を組み込んだ教師なしモデルum3cを開発した。 公開ベンチマークの広範な実験結果から,本手法は最先端のグラフマッチングおよび混合グラフマッチングおよびクラスタリングアプローチを精度と効率の両方で上回っている。 ソースコードは公開される予定だ。

関連論文リスト

• Revisiting Modularity Maximization for Graph Clustering: A Contrastive Learning Perspective [44.4638436277021]
  コントラスト型プリテキストタスクとして考案されたモジュラリティを活用する,コミュニティ対応のグラフクラスタリングフレームワークMAGIを提案する。 モジュラリティとグラフの対照的な学習との間には,正の例と負の例がモジュール性によって自然に定義される,強い関連性を示す。 本研究は,コミュニティ対応のグラフクラスタリングフレームワークであるMAGIを提案する。
  論文  参考訳（メタデータ） (2024-06-20T13:14:44Z)
• Learning Universe Model for Partial Matching Networks over Multiple Graphs [78.85255014094223]
  2つまたは複数のグラフの部分的マッチングのための宇宙マッチングスキームを開発する。 不整合及び不整合検出のための微妙なロジックを、明確にモデル化することができる。 これは、2グラフマッチング、複数グラフマッチング、オンラインマッチング、混合グラフマッチングを同時に扱うことができる最初のディープラーニングネットワークである。
  論文  参考訳（メタデータ） (2022-10-19T08:34:00Z)
• Deep Graph Clustering via Mutual Information Maximization and Mixture Model [6.488575826304023]
  クラスタリングに親しみやすいノード埋め込みを学習するための対照的な学習フレームワークを導入する。 実世界のデータセットを用いた実験により,コミュニティ検出における本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-05-10T21:03:55Z)
• Fine-grained Graph Learning for Multi-view Subspace Clustering [2.4094285826152593]
  マルチビューサブスペースクラスタリング(FGL-MSC)のためのきめ細かいグラフ学習フレームワークを提案する。 主な課題は、クラスタリングタスクに適合する学習グラフを生成しながら、微細な融合重みを最適化する方法である。 8つの実世界のデータセットの実験では、提案されたフレームワークは最先端の手法に匹敵する性能を示している。
  論文  参考訳（メタデータ） (2022-01-12T18:00:29Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• 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)
• 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)
• 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)
• Hierarchical and Unsupervised Graph Representation Learning with Loukas's Coarsening [9.12816196758482]
  本稿では,属性グラフを用いた教師なしグラフ表現学習法を提案する。 このアルゴリズムは,教師なし表現学習手法における最先端技術と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-07T12:04:38Z)

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。