論文の概要: Revisiting Dynamic Graph Clustering via Matrix Factorization

• arxiv url: http://arxiv.org/abs/2502.06117v1
• Date: Mon, 10 Feb 2025 02:57:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:36:18.327835
• Title: Revisiting Dynamic Graph Clustering via Matrix Factorization
• Title（参考訳）: 行列分解による動的グラフクラスタリングの再検討
• Authors: Dongyuan Li, Satoshi Kosugi, Ying Zhang, Manabu Okumura, Feng Xia, Renhe Jiang,
• Abstract要約: 行列分解に基づく手法はこの課題に対して有望なアプローチである。 堅牢性に欠ける傾向があり、現実世界の騒々しいデータに弱い。 本稿では,時間分割行列分解,二クラスタ化正規化,選択的埋め込み更新を提案する。
• 参考スコア（独自算出の注目度）: 26.290080380814196
• License:
• Abstract: Dynamic graph clustering aims to detect and track time-varying clusters in dynamic graphs, revealing the evolutionary mechanisms of complex real-world dynamic systems. Matrix factorization-based methods are promising approaches for this task; however, these methods often struggle with scalability and can be time-consuming when applied to large-scale dynamic graphs. Moreover, they tend to lack robustness and are vulnerable to real-world noisy data. To address these issues, we make three key contributions. First, to improve scalability, we propose temporal separated matrix factorization, where a single matrix is divided into multiple smaller matrices for independent factorization, resulting in faster computation. Second, to improve robustness, we introduce bi-clustering regularization, which jointly optimizes graph embedding and clustering, thereby filtering out noisy features from the graph embeddings. Third, to further enhance effectiveness and efficiency, we propose selective embedding updating, where we update only the embeddings of dynamic nodes while the embeddings of static nodes are fixed among different timestamps. Experimental results on six synthetic and five real-world benchmarks demonstrate the scalability, robustness and effectiveness of our proposed method. Source code is available at https://github.com/Clearloveyuan/DyG-MF.
• Abstract（参考訳）: 動的グラフクラスタリングは、動的グラフ内の時間変化クラスタを検出し、追跡することを目的としており、複雑な実世界の動的システムの進化メカニズムを明らかにする。 行列分解に基づく手法はこの課題に対して有望なアプローチであるが、これらの手法はスケーラビリティに苦しむことが多く、大規模動的グラフに適用するのに時間がかかる。 さらに、堅牢性が欠如し、現実世界のノイズの多いデータに弱い傾向があります。 これらの問題に対処するため、私たちは3つの重要な貢献をしています。 まず、拡張性を改善するために、一行列を複数の小さな行列に分割し、より高速な計算を行う時間分割行列分解法を提案する。 第二に、ロバスト性を改善するために、グラフ埋め込みとクラスタリングを協調的に最適化し、グラフ埋め込みからノイズの多い特徴をフィルタリングする、双方向クラスタリング正規化を導入する。 第3に,動的ノードの埋め込みのみを更新し,静的ノードの埋め込みを異なるタイムスタンプで固定する選択的埋め込み更新を提案する。 6つの実世界のベンチマークと5つの実世界のベンチマークによる実験結果から,提案手法のスケーラビリティ,堅牢性,有効性が確認された。 ソースコードはhttps://github.com/Clearloveyuan/DyG-MFで公開されている。

関連論文リスト

• LOCAL: Learning with Orientation Matrix to Infer Causal Structure from Time Series Data [13.390666123493409]
  LOCALは動的因果構造を復元するための効率的で実装が容易で制約のない手法である。 ACMLは学習可能な優先度ベクトルとGumbel-Sigmoid関数を用いて因果マスクを生成する。 DGPLは因果学習を分解された行列生成物に変換し、高次元データの動的因果構造をキャプチャする。
  論文  参考訳（メタデータ） (2024-10-25T10:48:41Z)
• Modularity aided consistent attributed graph clustering via coarsening [6.522020196906943]
  グラフクラスタリングは、属性付きグラフを分割し、コミュニティを検出するための重要な教師なし学習手法である。 本稿では,ブロックの最大化最小化手法を用いて,対数行列,滑らか性,モジュラリティを組み込んだ損失関数を提案する。 我々のアルゴリズムはグラフニューラルネットワーク(GNN)と変分グラフオートエンコーダ(VGAE)をシームレスに統合し、拡張ノードの特徴を学習し、例外的なクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2024-07-09T10:42:19Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Unified and Dynamic Graph for Temporal Character Grouping in Long Videos [31.192044026127032]
  ビデオ時間的キャラクタグループ化は、ビデオ内の主要なキャラクタの出現モーメントを、そのアイデンティティに応じて特定する。 最近の研究は、教師なしクラスタリングからグラフベースのクラスタリングへと進化してきた。 時間的文字グループ化のための統一動的グラフ(UniDG)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-27T13:22:55Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Semi-Supervised Clustering via Dynamic Graph Structure Learning [12.687613487964088]
  既存の半教師付きグラフベースのクラスタリング手法は、アフィニティ行列の精細化や、データポイントの低次元表現の制約によって、監督情報を利用する。 半教師付きグラフクラスタリングのための動的グラフ学習法を提案する。
  論文  参考訳（メタデータ） (2022-09-06T14:05:31Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
  我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。 数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
  論文  参考訳（メタデータ） (2021-04-13T23:21:01Z)
• Multi-Objective Matrix Normalization for Fine-grained Visual Recognition [153.49014114484424]
  双線形プールは細粒度視覚認識(FGVC)において大きな成功を収める 近年,行列パワー正規化は双線形特徴量において2次情報を安定化させることができることが示されている。 両線形表現を同時に正規化できる効率的な多目的行列正規化法(MOMN)を提案する。
  論文  参考訳（メタデータ） (2020-03-30T08:40:35Z)

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。