論文の概要: SHyPar: A Spectral Coarsening Approach to Hypergraph Partitioning

• arxiv url: http://arxiv.org/abs/2410.10875v1
• Date: Wed, 09 Oct 2024 03:29:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:00:49.233910
• Title: SHyPar: A Spectral Coarsening Approach to Hypergraph Partitioning
• Title（参考訳）: SHyPar:ハイパーグラフ分割のためのスペクトル粗大化アプローチ
• Authors: Hamed Sajadinia, Ali Aghdaei, Zhuo Feng,
• Abstract要約: 大規模ハイパーグラフのためのマルチレベルスペクトルフレームワークSHyParを導入し,ハイパーエッジ有効抵抗とフローベースコミュニティ検出技術を利用した。 SHyParの鍵となるコンポーネントは、ハイパーグラフ粗化のためのフローベースの局所クラスタリングスキームであり、最大フローベースのアルゴリズムを組み込んで、コンダクタンスを大幅に改善したノードを生成する。
• 参考スコア（独自算出の注目度）: 4.110108749051657
• License:
• Abstract: State-of-the-art hypergraph partitioners utilize a multilevel paradigm to construct progressively coarser hypergraphs across multiple layers, guiding cut refinements at each level of the hierarchy. Traditionally, these partitioners employ heuristic methods for coarsening and do not consider the structural features of hypergraphs. In this work, we introduce a multilevel spectral framework, SHyPar, for partitioning large-scale hypergraphs by leveraging hyperedge effective resistances and flow-based community detection techniques. Inspired by the latest theoretical spectral clustering frameworks, such as HyperEF and HyperSF, SHyPar aims to decompose large hypergraphs into multiple subgraphs with few inter-partition hyperedges (cut size). A key component of SHyPar is a flow-based local clustering scheme for hypergraph coarsening, which incorporates a max-flow-based algorithm to produce clusters with substantially improved conductance. Additionally, SHyPar utilizes an effective resistance-based rating function for merging nodes that are strongly connected (coupled). Compared with existing state-of-the-art hypergraph partitioning methods, our extensive experimental results on real-world VLSI designs demonstrate that SHyPar can more effectively partition hypergraphs, achieving state-of-the-art solution quality.
• Abstract（参考訳）: 最先端のハイパーグラフパーティショナはマルチレベルパラダイムを使用して、複数の層にまたがって徐々に粗いハイパーグラフを構築する。 伝統的に、これらの分割器は粗大化のためのヒューリスティックな手法を採用しており、ハイパーグラフの構造的特徴を考慮していない。 本研究では,大規模ハイパーグラフを分割するためのマルチレベルスペクトルフレームワークSHyParを導入する。 HyperEFやHyperSFといった最新の理論的なスペクトルクラスタリングフレームワークに触発されたSHyParは、大きなハイパーグラフを複数のサブグラフに分解することを目的としており、分割間ハイパーエッジ(カットサイズ)は少ない。 SHyParの重要なコンポーネントは、ハイパーグラフ粗化のためのフローベースの局所クラスタリングスキームであり、最大フローベースのアルゴリズムを組み込んで、コンダクタンスを大幅に改善したクラスタを生成する。 さらにSHyParは、強く接続された(結合された)ノードのマージに、効果的な抵抗ベースのレーティング機能を利用する。 既存の最先端ハイパーグラフ分割法と比較して、実世界のVLSI設計における広範な実験結果から、SHyParはハイパーグラフをより効果的に分割し、最先端のソリューション品質を実現することができることを示した。

関連論文リスト

• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• HyperEF: Spectral Hypergraph Coarsening by Effective-Resistance Clustering [7.6146285961466]
  本稿では,大規模ハイパーグラフのスペクトル粗化(分解)のためのスケーラブルなアルゴリズムフレームワーク(HyperEF)を提案する。 単純なグラフの低抵抗径分解のための最新の理論フレームワークによって動機付けられたHyperEFは、大規模なハイパーグラフを複数のノードクラスタに分解することを目指している。
  論文  参考訳（メタデータ） (2022-10-26T16:01:24Z)
• Hypergraphs with Edge-Dependent Vertex Weights: p-Laplacians and Spectral Clustering [29.400924845055865]
  エッジ依存重み(EDVW)を組み込んだ最近提案されたハイパーグラフモデルのp-ラプラシアンおよびスペクトルクラスタリングについて検討する。 我々は、ハイパーグラフをEDVWで変換し、スペクトル理論がより発展する部分モジュラーハイパーグラフに変換する。 p-ラプラシアンやチェーガーの不等式のような既存の概念や定理は、部分モジュラーハイパーグラフ設定の下で提案され、EDVWでハイパーグラフへ直接拡張することができる。
  論文  参考訳（メタデータ） (2022-08-15T22:29:00Z)
• Hypergraph Convolutional Networks via Equivalency between Hypergraphs and Undirected Graphs [59.71134113268709]
  本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。 本稿では,提案するフレームワークが最先端の性能を達成できることを示す。 ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2022-03-31T10:46:47Z)
• HyperSF: Spectral Hypergraph Coarsening via Flow-based Local Clustering [9.438207505148947]
  本稿では,ハイパーグラフのスペクトル(構造)特性を保存するために,効率的なスペクトルハイパーグラフ粗大化手法を提案する。 提案手法は,ハイパーグラフクラスタリングのマルチウェイコンダクタンスを大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-08-17T22:20:23Z)
• 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)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• An Efficient Hypergraph Approach to Robust Point Cloud Resampling [57.49817398852218]
  ハイパーグラフ信号処理(hgsp)に基づくポイントクラウド再サンプリングの検討 点群の信号ノード間の多面的な相互作用を捕捉するハイパーグラフスペクトルフィルタを設計する。 実験の結果, 点雲のハイパーグラフ解析の有効性が検証された。
  論文  参考訳（メタデータ） (2021-03-11T23:19:54Z)
• Co-clustering Vertices and Hyperedges via Spectral Hypergraph Partitioning [18.800058655626696]
  エッジ依存重み付きハイパーグラフの頂点とハイパーエッジを協調クラスタリングする新しい手法を提案する。 本手法では,EDVWを用いたランダムウォークを利用してハイパーグラフのLaplacianを構築し,そのスペクトル特性を用いて頂点とハイパーエッジを共通空間に埋め込む。 次に、これらの埋め込みをクラスタ化して、提案する共同クラスタ化手法、特にデータエンティティと機能の同時クラスタリングを必要とするアプリケーションとの関連性を得る。
  論文  参考訳（メタデータ） (2021-02-19T21:47:39Z)

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。