論文の概要: Spectral Clustering of Attributed Multi-relational Graphs

• arxiv url: http://arxiv.org/abs/2311.01840v1
• Date: Fri, 3 Nov 2023 11:05:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 14:20:28.281260
• Title: Spectral Clustering of Attributed Multi-relational Graphs
• Title（参考訳）: 多元関係グラフのスペクトルクラスタリング
• Authors: Ylli Sadikaj, Yllka Velaj, Sahar Behzadi, Claudia Plant
• Abstract要約: グラフクラスタリングは、共通クラスタに割り当てられた類似ノードなどのノードの自然なグループ化を見つけることを目的としている。 分類ノード属性を持つマルチリレーショナルグラフに対する共同次元化手法であるSpectralMixを提案する。
• 参考スコア（独自算出の注目度）: 11.486261673963392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph clustering aims at discovering a natural grouping of the nodes such that similar nodes are assigned to a common cluster. Many different algorithms have been proposed in the literature: for simple graphs, for graphs with attributes associated to nodes, and for graphs where edges represent different types of relations among nodes. However, complex data in many domains can be represented as both attributed and multi-relational networks. In this paper, we propose SpectralMix, a joint dimensionality reduction technique for multi-relational graphs with categorical node attributes. SpectralMix integrates all information available from the attributes, the different types of relations, and the graph structure to enable a sound interpretation of the clustering results. Moreover, it generalizes existing techniques: it reduces to spectral embedding and clustering when only applied to a single graph and to homogeneity analysis when applied to categorical data. Experiments conducted on several real-world datasets enable us to detect dependencies between graph structure and categorical attributes, moreover, they exhibit the superiority of SpectralMix over existing methods.
• Abstract（参考訳）: グラフクラスタリングは、類似ノードが共通のクラスタに割り当てられるように、ノードの自然なグループ化を見つけることを目的としている。 単純なグラフ、ノードに関連付けられた属性を持つグラフ、エッジがノード間の異なるタイプの関係を表すグラフなど、多くの異なるアルゴリズムが文献に提案されている。 しかし、多くの領域における複雑なデータは属性付きおよびマルチリレーショナルネットワークとして表現できる。 本稿では,カテゴリのノード属性を持つ多元関係グラフに対する同時次元化手法であるspectrummixを提案する。 spectrummixは属性、異なる種類の関係、およびグラフ構造から利用可能な全ての情報を統合し、クラスタリング結果の適切な解釈を可能にする。 さらに、単一のグラフにのみ適用される場合のスペクトル埋め込みとクラスタリング、カテゴリデータに適用される場合の均質性解析など、既存のテクニックを一般化する。 いくつかの実世界のデータセットで行った実験により、グラフ構造とカテゴリ属性の依存関係を検出することができ、また既存の手法よりもSpectralMixの方が優れていることを示す。

関連論文リスト

• Multiscale Graph Construction Using Non-local Cluster Features [10.922757310575307]
  グラフのマルチスケールクラスタリングにおいて,グラフとノードの機能を同時に検討する。 マルチスケール画像と点雲セグメンテーションの実験において,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-13T06:42:03Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Semi-Supervised Deep Learning for Multiplex Networks [20.671777884219555]
  多重ネットワークは複雑なグラフ構造であり、エンティティの集合が複数のタイプの関係によって相互に接続される。 マルチプレックスネットワーク上の構造認識表現学習のための,新しい半教師付き手法を提案する。
  論文  参考訳（メタデータ） (2021-10-05T13:37:43Z)
• HMSG: Heterogeneous Graph Neural Network based on Metapath Subgraph Learning [2.096172374930129]
  我々はHMSGという新しい異種グラフニューラルネットワークモデルを提案する。 異種グラフを複数の部分グラフに分解する。 各サブグラフは、特定の意味情報と構造情報を関連付ける。 タイプ固有の属性変換を通じて、ノード属性を異なるタイプのノード間で転送することもできる。
  論文  参考訳（メタデータ） (2021-09-07T05:02:59Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• 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)
• Clustering multilayer graphs with missing nodes [4.007017852999008]
  クラスタリングはネットワーク分析における基本的な問題であり、同じ接続プロファイルを持つノードを再グループ化するのが目標である。 異なるノードセット上でレイヤを定義できる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-04T18:56:59Z)
• Learning Multi-layer Graphs and a Common Representation for Clustering [13.90938823562779]
  スペクトルクラスタリングのための共有エンティティのマルチビューデータからグラフ学習に着目する。 本稿では,この問題を解決するために,最小化の交互化に基づく効率的な解法を提案する。 合成データセットと実データセットの数値実験により,提案アルゴリズムは最先端のマルチビュークラスタリング技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-23T11:12:43Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)

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。