論文の概要: A Dirichlet stochastic block model for composition-weighted networks
- arxiv url: http://arxiv.org/abs/2408.00651v1
- Date: Thu, 1 Aug 2024 15:41:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-04 20:06:59.386371
- Title: A Dirichlet stochastic block model for composition-weighted networks
- Title（参考訳）: 合成重み付きネットワークに対するディリクレ確率ブロックモデル
- Authors: Iuliia Promskaia, Adrian O'Hagan, Michael Fop,
- Abstract要約: 合成重みベクトルの直接モデリングに基づく合成重み付きネットワークのブロックモデルを提案する。
推論は分類期待-最大化アルゴリズムの拡張によって実装される。
このモデルはシミュレーション研究を用いて検証され,Erasmus交換プログラムのネットワークデータと,ロンドン市における自転車共有ネットワークで実証された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Network data are observed in various applications where the individual entities of the system interact with or are connected to each other, and often these interactions are defined by their associated strength or importance. Clustering is a common task in network analysis that involves finding groups of nodes displaying similarities in the way they interact with the rest of the network. However, most clustering methods use the strengths of connections between entities in their original form, ignoring the possible differences in the capacities of individual nodes to send or receive edges. This often leads to clustering solutions that are heavily influenced by the nodes' capacities. One way to overcome this is to analyse the strengths of connections in relative rather than absolute terms, expressing each edge weight as a proportion of the sending (or receiving) capacity of the respective node. This, however, induces additional modelling constraints that most existing clustering methods are not designed to handle. In this work we propose a stochastic block model for composition-weighted networks based on direct modelling of compositional weight vectors using a Dirichlet mixture, with the parameters determined by the cluster labels of the sender and the receiver nodes. Inference is implemented via an extension of the classification expectation-maximisation algorithm that uses a working independence assumption, expressing the complete data likelihood of each node of the network as a function of fixed cluster labels of the remaining nodes. A model selection criterion is derived to aid the choice of the number of clusters. The model is validated using simulation studies, and showcased on network data from the Erasmus exchange program and a bike sharing network for the city of London.
- Abstract（参考訳）: ネットワークデータは、システムの個々のエンティティが相互に相互作用したり、接続されたりする様々なアプリケーションで観測される。
クラスタリングは、ネットワーク分析において一般的なタスクであり、ネットワークの他の部分とのインタラクションの方法で類似性を示すノードのグループを見つける。
しかし、ほとんどのクラスタリング手法は、エッジを送信または受信する個々のノードの容量の違いを無視して、元の形式でエンティティ間の接続の強度を使用する。
これは多くの場合、ノードの能力に大きく影響されるクラスタリングソリューションにつながる。
これを解決する方法の1つは、接続の強度を絶対項ではなく相対項で分析し、各エッジウェイトを各ノードの送信(または受信)能力の比率として表すことである。
しかし、これは既存のクラスタリングメソッドが扱えない追加のモデリング制約を引き起こす。
本研究では,ディリクレ混合を用いた合成重みベクトルの直接モデリングに基づく合成重み付きネットワークの確率的ブロックモデルを提案する。
推論は、ネットワークの各ノードの完全なデータ確率を、残りのノードの固定クラスタラベルの関数として表現する、動作独立仮定を用いた分類期待最大化アルゴリズムの拡張によって実装される。
モデル選択基準は、クラスタ数の選択を支援するために導出される。
このモデルはシミュレーション研究を用いて検証され,Erasmus交換プログラムのネットワークデータと,ロンドン市における自転車共有ネットワークで実証された。
関連論文リスト
- Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic
Block Model [0.16385815610837165]
本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。
ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。
また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
論文 参考訳（メタデータ） (2023-10-30T16:46:05Z) - 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) - DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep
Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。
ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。
6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文 参考訳（メタデータ） (2022-06-01T09:51:38Z) - Deep Embedded Clustering with Distribution Consistency Preservation for
Attributed Networks [15.895606627146291]
本研究では,属性ネットワークに対するエンドツーエンドの深層クラスタリングモデルを提案する。
グラフオートエンコーダとノード属性オートエンコーダを使用して、ノード表現とクラスタ割り当てをそれぞれ学習する。
提案手法は, 最先端手法と比較して, 性能が著しく向上する。
論文 参考訳（メタデータ） (2022-05-28T02:35:34Z) - Network Clustering for Latent State and Changepoint Detection [0.0]
本稿では,ネットワーククラスタリングのタスクに対する凸アプローチを提案する。
コンベックスネットワーククラスタリングのための効率的なアルゴリズムを提案し,その有効性を合成例で示す。
論文 参考訳（メタデータ） (2021-11-01T21:51:45Z) - 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) - Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。
AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。
AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文 参考訳（メタデータ） (2021-08-12T02:30:38Z) - Block Dense Weighted Networks with Augmented Degree Correction [1.2031796234206138]
本稿では,接続パターンの異なる重み付きネットワークの生成と推定を行う新しいフレームワークを提案する。
提案したモデルは,個々のノード特性をノードを接続するエッジにマッピングする関数の特定のクラスに依存している。
また,複数のデータセットを収集できない状況において,同一の頂点上で新たなネットワークを生成するブートストラップ手法を開発した。
論文 参考訳（メタデータ） (2021-05-26T01:25:07Z) - Variational Co-embedding Learning for Attributed Network Clustering [30.7006907516984]
属性ネットワーククラスタリングの最近の研究は、グラフ畳み込みを利用してノード埋め込みを取得し、同時に埋め込み空間上でクラスタリング割り当てを行う。
属性ネットワーククラスタリング(ANC)のための分散共埋め込み学習モデルを提案する。
ANCは、ノードと属性を同時に埋め込む2つの変分自動エンコーダで構成されている。
論文 参考訳（メタデータ） (2021-04-15T08:11:47Z) - LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。
本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。
CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文 参考訳（メタデータ） (2020-06-17T17:58:10Z) - Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。
提案するフレームワークは容易に異種ネットワークに拡張できる。
論文 参考訳（メタデータ） (2020-06-07T19:26:20Z)
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。