Fugu-MT 論文翻訳(概要): Hypergraph clustering using Ricci curvature: an edge transport perspective

論文の概要: Hypergraph clustering using Ricci curvature: an edge transport perspective

arxiv url: http://arxiv.org/abs/2412.15695v1
Date: Fri, 20 Dec 2024 09:15:06 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-23 16:21:17.867370
Title: Hypergraph clustering using Ricci curvature: an edge transport perspective
Title（参考訳）: Ricci曲率を用いたハイパーグラフクラスタリング:エッジトランスポートの観点から
Authors: Olympio Hacquard,
Abstract要約: 本稿では, エッジ上の確率測度を定義し, 線拡大でそれらを輸送することにより, リッチフローをハイパーグラフに拡張する新しい手法を提案する。このアプローチはエッジに新たな重み付けをもたらし、特にコミュニティ検出に有効であることが証明されている。
参考スコア（独自算出の注目度）: 0.76146285961466
License:
Abstract: In this paper, we introduce a novel method for extending Ricci flow to hypergraphs by defining probability measures on the edges and transporting them on the line expansion. This approach yields a new weighting on the edges, which proves particularly effective for community detection. We extensively compare this method with a similar notion of Ricci flow defined on the clique expansion, demonstrating its enhanced sensitivity to the hypergraph structure, especially in the presence of large hyperedges. The two methods are complementary and together form a powerful and highly interpretable framework for community detection in hypergraphs.
Abstract（参考訳）: 本稿では, エッジ上の確率測度を定義し, 線膨張量で伝達することにより, リッチフローをハイパーグラフに拡張する新しい手法を提案する。このアプローチはエッジに新たな重み付けをもたらし、特にコミュニティ検出に有効であることが証明されている。我々は,この手法を,クリッド展開に定義されたリッチフローの類似概念と広く比較し,特に大きなハイパーエッジの存在下で,ハイパーグラフ構造に対する高感度性を示す。この2つの手法は相補的であり、共にハイパーグラフにおけるコミュニティ検出のための強力で解釈可能なフレームワークを形成する。

関連論文リスト

Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文参考訳（メタデータ） (2024-02-13T14:13:17Z)
Alignment and Outer Shell Isotropy for Hyperbolic Graph Contrastive Learning [69.6810940330906]
高品質なグラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
論文参考訳（メタデータ） (2023-10-27T15:31:42Z)
Hypergraph Structure Inference From Data Under Smoothness Prior [46.568839316694515]
本稿では,ラベル付きデータを監視対象とせずに,潜在的なハイパーエッジの確率を推定する手法を提案する。本稿では,この手法を用いてハイパーグラフ構造とノード特徴の関係を確率論的モデリングにより導出する。本手法は,既存のハイパーグラフ構造推定法よりも効率的にデータから有意義なハイパーグラフ構造を学習できることを示す。
論文参考訳（メタデータ） (2023-08-27T18:28:58Z)
Hypergraphs with Edge-Dependent Vertex Weights: Spectral Clustering based on the 1-Laplacian [24.88719567631694]
エッジ依存重みを含むハイパーグラフの1-ラプラシアンを定義するフレキシブルなフレームワークを提案する。フレームワーク内の特別な場合、対応するハイパーグラフ1-ラプラシアンが関連するグラフの1-ラプラシアンと同値であることを示す。
論文参考訳（メタデータ） (2023-04-30T12:21:42Z)
HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文参考訳（メタデータ） (2022-04-18T06:11:44Z)
Hypergraph Dissimilarity Measures [8.890638003061605]
本稿では,ハイパーグラフの相似性を特定のスケールで評価したり,より総合的なマルチスケール比較を行う手法を提案する。合成ハイパーグラフ上でこれらの測定を検証し,生物学的データセットに適用する。
論文参考訳（メタデータ） (2021-06-15T15:10:24Z)
Gaussian Processes on Hypergraphs [2.007262412327553]
ハイパーグラフの頂点上でMatern Gaussian Process (GP) を導出する。本稿では,ハイパーグラフGPを用いてハイパーグラフの頂点を潜在空間に埋め込む枠組みを提案する。実世界の3つの課題に対して,我々のフレームワークの有用性を実証する。
論文参考訳（メタデータ） (2021-06-03T16:58:05Z)
Community Detection in General Hypergraph via Graph Embedding [1.4213973379473654]
本研究では,一般のハイパーグラフネットワーク,均一あるいは非均一なコミュニティ構造を検出する新しい方法を提案する。提案手法では,非一様ハイパーグラフを均一なマルチハイパーグラフに拡張するヌルを導入し,低次元ベクトル空間にマルチハイパーグラフを埋め込む。
論文参考訳（メタデータ） (2021-03-28T03:23:03Z)
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)
Differentiating through the Fr\'echet Mean [51.32291896926807]
フレット平均(Fr'echet mean)はユークリッド平均の一般化である。任意のリーマン多様体に対して Fr'echet 平均を微分する方法を示す。これにより、Fr'echet平均を双曲型ニューラルネットワークパイプラインに完全に統合する。
論文参考訳（メタデータ） (2020-02-29T19:49:38Z)

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。