論文の概要: HeNCler: Node Clustering in Heterophilous Graphs through Learned Asymmetric Similarity

• arxiv url: http://arxiv.org/abs/2405.17050v1
• Date: Mon, 27 May 2024 11:04:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 15:52:11.684419
• Title: HeNCler: Node Clustering in Heterophilous Graphs through Learned Asymmetric Similarity
• Title（参考訳）: HeNCler: 学習された非対称類似性による不テロ親和性グラフのノードクラスタリング
• Authors: Sonny Achten, Francesco Tonin, Volkan Cevher, Johan A. K. Suykens,
• Abstract要約: HeNClerは、Heterophilous Node Clusteringの新しいアプローチである。 HeNClerは異種グラフコンテキストにおけるノードクラスタリングタスクの性能を大幅に向上させることを示す。
• 参考スコア（独自算出の注目度）: 55.27586970082595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clustering nodes in heterophilous graphs presents unique challenges due to the asymmetric relationships often overlooked by traditional methods, which moreover assume that good clustering corresponds to high intra-cluster and low inter-cluster connectivity. To address these issues, we introduce HeNCler - a novel approach for Heterophilous Node Clustering. Our method begins by defining a weighted kernel singular value decomposition to create an asymmetric similarity graph, applicable to both directed and undirected graphs. We further establish that the dual problem of this formulation aligns with asymmetric kernel spectral clustering, interpreting learned graph similarities without relying on homophily. We demonstrate the ability to solve the primal problem directly, circumventing the computational difficulties of the dual approach. Experimental evidence confirms that HeNCler significantly enhances performance in node clustering tasks within heterophilous graph contexts.
• Abstract（参考訳）: ヘテロ親和性グラフのクラスタリングノードは、従来の手法でしばしば見過ごされる非対称な関係のため、ユニークな課題を呈する。 これらの問題に対処するために、HeNCler(Heterophilous Node Clusteringの新しいアプローチ)を紹介します。 我々の手法は、重み付きカーネル特異値分解を定義して、非対称な類似性グラフを作成し、有向グラフと無向グラフの両方に適用することから始まる。 さらに、この定式化の二重問題は非対称なスペクトルクラスタリングと一致し、ホモフィリーに頼らずに学習グラフの類似性を解釈する。 両手法の計算困難を回避し,主問題を直接解く能力を実証する。 HeNClerは異種グラフコンテキスト内のノードクラスタリングタスクの性能を著しく向上させる。

関連論文リスト

• Reliable Node Similarity Matrix Guided Contrastive Graph Clustering [51.23437296378319]
  我々は、新しいフレームワーク、Reliable Node similarity Matrix Guided Contrastive Graph Clustering (NS4GC)を紹介した。 本手法は,ノード近傍のアライメントとセマンティック・アウェア・スパリフィケーションを導入し,ノード類似度行列が正確かつ効率的にスパースであることを保証する。
  論文  参考訳（メタデータ） (2024-08-07T13:36:03Z)
• Interpretable Multi-View Clustering Based on Anchor Graph Tensor Factorization [64.00146569922028]
  アンカーグラフの分解に基づくマルチビュークラスタリング法では,分解行列に対する適切なクラスタ解釈性が欠如している。 複数のビューからアンカーグラフを合成するアンカーグラフテンソルを分解するために、非負のテンソル因子分解を用いることにより、この制限に対処する。
  論文  参考訳（メタデータ） (2024-04-01T03:23:55Z)
• MeanCut: A Greedy-Optimized Graph Clustering via Path-based Similarity and Degree Descent Criterion [0.6906005491572401]
  スペクトルクラスタリングは、優れたパフォーマンス、簡単な実装、強力な適応性のために人気があり、魅力的です。 我々は,MeanCutを目的関数として提案し,非破壊グラフ分割の次数降下順で厳密に最適化する。 本アルゴリズムの有効性は,実世界のベンチマークによる検証と顔認識の適用によって実証される。
  論文  参考訳（メタデータ） (2023-12-07T06:19:39Z)
• Latent Random Steps as Relaxations of Max-Cut, Min-Cut, and More [30.919536115917726]
  クラスタリングと単純化を統一する非負行列分解に基づく確率モデルを提案する。 ハードクラスタリングをソフトクラスタリングに緩和することにより、ハードクラスタリングの潜在的な問題をトラクタブルクラスタに緩和する。
  論文  参考訳（メタデータ） (2023-08-12T02:47:57Z)
• One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
  両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。 本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。 このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
  論文  参考訳（メタデータ） (2023-05-12T11:27:20Z)
• Contrastive Graph Clustering in Curvature Spaces [74.03252813800334]
  本研究では,CONGREGATE という新しいグラフクラスタリングモデルを提案する。 幾何学的クラスタリングを支援するため、理論的に基底とした不均一曲率空間を構築した。 次に、拡張不要な再重み付きコントラスト的アプローチでグラフクラスタをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-05T14:04:52Z)
• Skew-Symmetric Adjacency Matrices for Clustering Directed Graphs [5.301300942803395]
  カットベースの有向グラフ(グラフ)クラスタリングは、しばしばクラスタ内あるいはクラスタ間の疎結合を見つけることに焦点を当てる。 フローベースのクラスタリングでは、クラスタ間のエッジは一方向を向く傾向にあり、マイグレーションデータ、フードウェブ、トレーディングデータに見出されている。
  論文  参考訳（メタデータ） (2022-03-02T20:07:04Z)
• Robust Correlation Clustering with Asymmetric Noise [3.8073142980733]
  相関クラスタリング(英語版)はグラフクラスタリングの定式化であり、(1) ノード間の類似性/異性度を示すエッジウェイトを持つ符号付きグラフを入力とし、(2) 入力グラフ内のクラスタ数を事前に見積もる必要がない。 グラフノードの特徴ベクトル/埋め込みの生成に基づく新しいグラフ生成モデルNode Factors Model (NFM)を提案する。
  論文  参考訳（メタデータ） (2021-10-15T21:47:27Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)

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。