論文の概要: Deep Modularity Networks with Diversity--Preserving Regularization

• arxiv url: http://arxiv.org/abs/2501.13451v1
• Date: Thu, 23 Jan 2025 08:05:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:57:42.456948
• Title: Deep Modularity Networks with Diversity--Preserving Regularization
• Title（参考訳）: 多様性を有する深いモジュール性ネットワーク--正規化を保存する
• Authors: Yasmin Salehi, Dennis Giannacopoulos,
• Abstract要約: 本稿では、クラスタ間分離のための距離ベース、クラスタ内多様性のための分散ベース、バランスの取れた割り当てのためのエントロピーベースという3つの新しい正規化用語を導入し、多様性を保ったDMoN-DPR(Deep Modularity Networks with Diversity-Preserving Regularization)を提案する。 本手法は,ベンチマークデータセットのクラスタリング性能を向上し,正規化相互情報(NMI)とF1スコアの大幅な改善を実現している。 これらの結果は、特に特徴豊富なデータセットにおいて、有意義で解釈可能なクラスタの作成において、多様性を保った正規化を組み込むことの有効性を示す。
• 参考スコア（独自算出の注目度）: 4.659251704980846
• License:
• Abstract: Graph clustering plays a crucial role in graph representation learning but often faces challenges in achieving feature-space diversity. While Deep Modularity Networks (DMoN) leverage modularity maximization and collapse regularization to ensure structural separation, they do not explicitly encourage diversity in the feature space among clusters. We address this limitation by proposing Deep Modularity Networks with Diversity-Preserving Regularization (DMoN-DPR), which introduces three novel regularization terms: distance-based for inter-cluster separation, variance-based for intra-cluster diversity, and entropy-based for balanced assignments. Our method enhances clustering performance on benchmark datasets, namely Cora, CiteSeer, PubMed, Coauthor CS, and Coauthor Physics, achieving significant improvements in Normalized Mutual Information (NMI), and F1 scores. These results demonstrate the effectiveness of incorporating diversity-preserving regularizations in creating meaningful and interpretable clusters, especially in feature-rich datasets.
• Abstract（参考訳）: グラフクラスタリングはグラフ表現学習において重要な役割を果たすが、しばしば特徴空間の多様性を達成するための課題に直面している。 Deep Modularity Networks (DMoN) はモジュラリティの最大化と正規化の崩壊を利用して構造的分離を保証するが、クラスタ間の特徴空間の多様性を明示的に促進するものではない。 この制限には、クラスタ間分離のための距離ベース、クラスタ内多様性のための分散ベース、バランスの取れた割り当てのためのエントロピーベースの3つの新しい正規化項を導入するDMoN-DPR(Deep Modularity Networks with Diversity-Preserving Regularization)を提案する。 提案手法は,Cora, CiteSeer, PubMed, Coauthor CS, Coauthor Physicsなどのベンチマークデータセット上でのクラスタリング性能を向上し, 正規化相互情報(NMI)とF1スコアの大幅な改善を実現している。 これらの結果は、特に特徴豊富なデータセットにおいて、有意義で解釈可能なクラスタの作成において、多様性を保った正規化を組み込むことの有効性を示す。

関連論文リスト

• Subequivariant Reinforcement Learning in 3D Multi-Entity Physical Environments [31.437047774153037]
  本稿では,階層型階層型ニューラルネットワーク(SHNN)を提案する。 SHNNはまずグローバル空間をタスク割り当てによってローカルエンティティレベルのグラフに動的に分離する。 その後、局所的なエンティティレベルのグラフを渡って、局所的な参照フレームを考案する。
  論文  参考訳（メタデータ） (2024-07-17T11:37:34Z)
• ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks [9.006068771300377]
  本稿では、複雑な時間的ダイナミクスと系列間相関をキャプチャするフレームワークであるForecastGrapherを紹介する。 提案手法は,各系列の時間的変動を反映するカスタムノード埋め込みの生成,系列間の相関関係を符号化する適応的隣接行列の構築,および第3に,ノード特徴分布の多様化によるGNNの表現力の増大という,3つの重要なステップによって支えられている。
  論文  参考訳（メタデータ） (2024-05-28T10:40:20Z)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
  トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。 また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。 提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
  論文  参考訳（メタデータ） (2023-01-15T16:19:18Z)
• Tensor-based Multi-view Spectral Clustering via Shared Latent Space [14.470859959783995]
  MvSC(Multi-view Spectral Clustering)は多様なデータソースによって注目を集めている。 MvSCの新しい手法はRestricted Kernel Machineフレームワークから共有潜在空間を介して提案される。
  論文  参考訳（メタデータ） (2022-07-23T17:30:54Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
  デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。 我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。 提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-10T06:53:03Z)
• CaEGCN: Cross-Attention Fusion based Enhanced Graph Convolutional Network for Clustering [51.62959830761789]
  クロスアテンションに基づくディープクラスタリングフレームワークCross-Attention Fusion based Enhanced Graph Convolutional Network (CaEGCN)を提案する。 CaEGCNには、クロスアテンション融合、Content Auto-Encoder、Graph Convolutional Auto-Encoder、および自己監視モデルという4つの主要なモジュールが含まれている。 異なるタイプのデータセットに対する実験結果は、提案したCaEGCNの優位性とロバスト性を証明する。
  論文  参考訳（メタデータ） (2021-01-18T05:21:59Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)

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。