論文の概要: A multi-core periphery perspective: Ranking via relative centrality
- arxiv url: http://arxiv.org/abs/2406.04487v1
- Date: Thu, 6 Jun 2024 20:21:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-10 18:07:23.101212
- Title: A multi-core periphery perspective: Ranking via relative centrality
- Title（参考訳）: マルチコア周辺視点:相対的中心性によるランク付け
- Authors: Chandra Sekhar Mukherjee, Jiapeng Zhang,
- Abstract要約: コミュニティとコア周辺は、広く研究されている2つのグラフ構造である。
グラフのコア周辺構造がコミュニティ構造を理解することに与える影響は、十分に利用されていない。
我々は,各コミュニティが密接な連結部分(中核)を持ち,残りの部分(周辺部)が疎い,基底真理コミュニティを持つグラフのための小説を紹介する。
- 参考スコア（独自算出の注目度）: 4.33459568143131
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Community and core-periphery are two widely studied graph structures, with their coexistence observed in real-world graphs (Rombach, Porter, Fowler \& Mucha [SIAM J. App. Math. 2014, SIAM Review 2017]). However, the nature of this coexistence is not well understood and has been pointed out as an open problem (Yanchenko \& Sengupta [Statistics Surveys, 2023]). Especially, the impact of inferring the core-periphery structure of a graph on understanding its community structure is not well utilized. In this direction, we introduce a novel quantification for graphs with ground truth communities, where each community has a densely connected part (the core), and the rest is more sparse (the periphery), with inter-community edges more frequent between the peripheries. Built on this structure, we propose a new algorithmic concept that we call relative centrality to detect the cores. We observe that core-detection algorithms based on popular centrality measures such as PageRank and degree centrality can show some bias in their outcome by selecting very few vertices from some cores. We show that relative centrality solves this bias issue and provide theoretical and simulation support, as well as experiments on real-world graphs. Core detection is known to have important applications with respect to core-periphery structures. In our model, we show a new application: relative-centrality-based algorithms can select a subset of the vertices such that it contains sufficient vertices from all communities, and points in this subset are better separable into their respective communities. We apply the methods to 11 biological datasets, with our methods resulting in a more balanced selection of vertices from all communities such that clustering algorithms have better performance on this set.
- Abstract（参考訳）: コミュニティとコア周辺は2つの広く研究されているグラフ構造であり、それらの共存は実世界のグラフ(Rombach, Porter, Fowler \& Mucha (SIAM J. App. Math. 2014 SIAM Review 2017)で観測されている。
しかし、この共存の性質はよく理解されておらず、未解決問題として指摘されている(Yanchenko \& Sengupta, 2023)。
特に, グラフのコア周辺構造がコミュニティ構造理解に与える影響は, 十分に評価されていない。
この方向では、各コミュニティが密接な連結部分(コア)を持ち、残りはよりスパース(周辺)であり、周辺間ではコミュニティ間のエッジがより頻繁である、基底真理コミュニティを持つグラフに対する新しい定量化を導入する。
この構造に基づいて構築され、コアを検出するために相対中心性と呼ばれる新しいアルゴリズムの概念を提案する。
そこで我々は,PageRank や次数集中度といった一般的な集中度尺度に基づく中核検出アルゴリズムが,いくつかのコアからごく少数の頂点を選択することにより,結果に偏りが生じることを観察した。
相対的な中心性は、このバイアスを解消し、実世界のグラフの実験と同様に理論的およびシミュレーション的支援を提供することを示す。
コア検出は、コア周辺構造に関する重要な応用があることが知られている。
相対集中型アルゴリズムは、すべてのコミュニティから十分な頂点を含むような頂点のサブセットを選択でき、このサブセットのポイントはそれぞれのコミュニティに分離可能である。
この手法を11の生物学的データセットに適用し、クラスタリングアルゴリズムがより優れた性能を持つように、全てのコミュニティからよりバランスの取れた頂点を選択する。
関連論文リスト
- 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) - Curvature-based Clustering on Graphs [14.136746708037402]
グラフの幾何学を利用して、クラスタやコミュニティを形成する密接な連結部分構造を同定するアルゴリズムについて研究する。
本手法は, 離散リッチ曲率とそのそれに付随する幾何フローを実装し, グラフのエッジ重みを進化させて, そのコミュニティ構造を明らかにする。
論文 参考訳（メタデータ） (2023-07-19T17:35:08Z) - 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) - Community detection in complex networks via node similarity, graph
representation learning, and hierarchical clustering [4.264842058017711]
コミュニティ検出は、実際のグラフを分析する上で重要な課題である。
この記事では,この課題に対処する3つの新しい階層型フレームワークを提案する。
ブロックモデルグラフと実生活データセットにおける100以上のモジュールの組み合わせを比較します。
論文 参考訳（メタデータ） (2023-03-21T22:12:53Z) - 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) - CenGCN: Centralized Convolutional Networks with Vertex Imbalance for
Scale-Free Graphs [38.427695265783726]
本稿では,情報の不平等に対処するため,CenGCNという新たな集中型フレームワークを提案する。
CenGCN_DとCenGCN_Eの2つの変種をそれぞれ,次数中心度と固有ベクトル中心度に基づいて提示する。
その結果、2つの変種は最先端のベースラインを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2022-02-16T02:18:16Z) - A Modular Framework for Centrality and Clustering in Complex Networks [0.6423239719448168]
本稿では,集中度とクラスタリングという2つの重要なネットワーク解析手法について検討する。
クラスタリングには情報フローベースのモデルが採用されている。
我々のクラスタリングは、エッジウェイトとノードの度合いの異なる解釈と相互作用と同様に、エッジ指向性に対応する柔軟性を自然に継承する。
論文 参考訳（メタデータ） (2021-11-23T03:01:29Z) - Sparse Partial Least Squares for Coarse Noisy Graph Alignment [10.172041234280865]
グラフ信号処理(GSP)は、様々な領域で発生する信号を分析する強力なフレームワークを提供する。
本稿では,観測されたグラフ構造を組み込んで,その基盤となるブロックコミュニティ構造を反映させる,新しい正則化部分最小二乗法を提案する。
論文 参考訳（メタデータ） (2021-04-06T21:52:15Z) - Amortized Probabilistic Detection of Communities in Graphs [49.46170819501234]
そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。
我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。
我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
論文 参考訳（メタデータ） (2020-10-29T16:18:48Z) - 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) - 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。