Fugu-MT 論文翻訳(概要): Kernel-based Joint Multiple Graph Learning and Clustering of Graph Signals

論文の概要: Kernel-based Joint Multiple Graph Learning and Clustering of Graph Signals

arxiv url: http://arxiv.org/abs/2310.19005v1
Date: Sun, 29 Oct 2023 13:41:12 GMT
ステータス: 処理完了
システム内更新日: 2023-11-01 21:46:09.928886
Title: Kernel-based Joint Multiple Graph Learning and Clustering of Graph Signals
Title（参考訳）: カーネルを用いた複数グラフ学習とグラフ信号のクラスタリング
Authors: Mohamad H. Alizade, Aref Einizade
Abstract要約: 本稿では,ノード側情報を協調的に分割し,各クラスタのグラフを学習する,新しいカーネルベースのアルゴリズムを提案する。数値実験は、最先端技術に対する効果を実証する。
参考スコア（独自算出の注目度）: 0.8702432681310401
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Within the context of Graph Signal Processing (GSP), Graph Learning (GL) is concerned with the inference of a graph's topology from nodal observations, i.e., graph signals. However, data is often in mixed form, relating to different underlying structures. This heterogeneity necessitates the joint clustering and learning of multiple graphs. In many real-life applications, there are available node-side covariates (i.e., kernels) that imperatively should be incorporated, which has not been addressed by the rare graph signal clustering approaches. To this end and inspired by the rich K-means framework, we propose a novel kernel-based algorithm to incorporate this node-side information as we jointly partition the signals and learn a graph for each cluster. Numerical experiments demonstrate its effectiveness over the state-of-the-art.
Abstract（参考訳）: グラフ信号処理(gsp)の文脈において、グラフ学習(gl)は、ノードの観測、すなわちグラフ信号からのグラフトポロジーの推論に関係している。しかし、データは、しばしば異なる基盤構造に関する混合形式である。この不均一性は、複数のグラフの合同クラスタリングと学習を必要とする。多くの現実のアプリケーションでは、命令的に組み込むべきノード側共変量(すなわちカーネル)が利用可能であり、まれなグラフ信号クラスタリングアプローチでは対処されていない。この目的のために,リッチk-meansフレームワークに着想を得て,ノード側情報を分割し,クラスタ毎にグラフを学習する新しいカーネルベースアルゴリズムを提案する。数値実験は最先端技術に対する効果を示す。

関連論文リスト

Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文参考訳（メタデータ） (2024-05-27T17:52:12Z)
Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。モデルはGCNを適用するために初期グラフを事前に推定する。一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文参考訳（メタデータ） (2024-02-25T07:03:37Z)
DGCLUSTER: A Neural Framework for Attributed Graph Clustering via Modularity Maximization [5.329981192545312]
本稿では,グラフニューラルネットワークを用いてモジュラリティの目的を最適化し,グラフサイズと線形にスケールする新しい手法DGClusterを提案する。私たちはDGClusterを、さまざまなサイズの実世界のデータセットで、複数の一般的なクラスタ品質メトリクスで広範囲にテストしています。われわれの手法は最先端の手法よりも一貫して優れており、ほぼすべての設定で顕著な性能向上を示している。
論文参考訳（メタデータ） (2023-12-20T01:43:55Z)
Robust Graph Structure Learning with the Alignment of Features and Adjacency Matrix [8.711977569042865]
クリーンなグラフ構造とそれに対応する表現を共同で学習するグラフ構造学習(GSL)には,多くのアプローチが提案されている。本稿では,特に特徴情報とグラフ情報の整合性を考慮した新しい正規化GSL手法を提案する。本手法の有効性を評価するために,実世界のグラフを用いて実験を行った。
論文参考訳（メタデータ） (2023-07-05T09:05:14Z)
Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
論文参考訳（メタデータ） (2023-05-29T04:51:09Z)
GLCC: A General Framework for Graph-level Clustering [5.069852282550117]
本稿では,グラフレベルのクラスタリングの問題について検討する。 GLCC(Graph-Level Contrastive Clustering)というグラフレベルの一般的なクラスタリングフレームワークを提案する。様々なよく知られたデータセットに対する実験は、競合するベースラインよりも提案したGLCCの方が優れていることを示す。
論文参考訳（メタデータ） (2022-10-21T11:08:10Z)
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)
Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。提案されたSSCAGは最先端のアプローチと競合する。
論文参考訳（メタデータ） (2021-04-24T08:09:27Z)
Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文参考訳（メタデータ） (2020-09-19T09:26:20Z)
Graph Clustering with Graph Neural Networks [5.305362965553278]
グラフニューラルネットワーク(GNN)は多くのグラフ解析タスクにおいて最先端の結果を得た。グラフクラスタリングのようなグラフ上の教師なしの問題は、GNNの進歩に対してより抵抗性があることが証明されている。本稿では,クラスタリング品質のモジュラリティ尺度にインスパイアされた教師なしプール手法であるDeep Modularity Networks (DMoN)を紹介する。
論文参考訳（メタデータ） (2020-06-30T15:30:49Z)
Iterative Deep Graph Learning for Graph Neural Networks: Better and Robust Node Embeddings [53.58077686470096]
グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
論文参考訳（メタデータ） (2020-06-21T19:49:15Z)

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。