論文の概要: CluStRE: Streaming Graph Clustering with Multi-Stage Refinement

• arxiv url: http://arxiv.org/abs/2502.06879v1
• Date: Sat, 08 Feb 2025 14:18:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:06:09.391456
• Title: CluStRE: Streaming Graph Clustering with Multi-Stage Refinement
• Title（参考訳）: CluStRE: マルチステージリファインメントによるグラフクラスタリング
• Authors: Adil Chhabra, Shai Dorian Peretz, Christian Schulz,
• Abstract要約: 計算効率と高品質クラスタリングのバランスをとる新しいストリーミンググラフクラスタリングアルゴリズムであるCluStREを提案する。 我々は、CluStREがソリューションの品質を89.8%改善し、2.6倍高速に動作し、最先端のストリーミングクラスタリングアルゴリズムで要求されるメモリの3分の2未満を使用することを示した。
• 参考スコア（独自算出の注目度）: 0.5325390073522079
• License:
• Abstract: We present CluStRE, a novel streaming graph clustering algorithm that balances computational efficiency with high-quality clustering using multi-stage refinement. Unlike traditional in-memory clustering approaches, CluStRE processes graphs in a streaming setting, significantly reducing memory overhead while leveraging re-streaming and evolutionary heuristics to improve solution quality. Our method dynamically constructs a quotient graph, enabling modularity-based optimization while efficiently handling large-scale graphs. We introduce multiple configurations of CluStRE to provide trade-offs between speed, memory consumption, and clustering quality. Experimental evaluations demonstrate that CluStRE improves solution quality by 89.8%, operates 2.6 times faster, and uses less than two-thirds of the memory required by the state-of-the-art streaming clustering algorithm on average. Moreover, our strongest mode enhances solution quality by up to 150% on average. With this, CluStRE achieves comparable solution quality to in-memory algorithms, i.e. over 96% of the quality of clustering approaches, including Louvain, effectively bridging the gap between streaming and traditional clustering methods.
• Abstract（参考訳）: CluStREは,マルチステージリファインメントを用いた計算効率と高品質クラスタリングのバランスをとる新しいストリーミンググラフクラスタリングアルゴリズムである。 従来のインメモリクラスタリングアプローチとは異なり、CluStREはストリーミング環境でグラフを処理する。 提案手法は商グラフを動的に構築し,大規模グラフを効率的に処理しながらモジュール性に基づく最適化を実現する。 我々は、速度、メモリ消費、クラスタリング品質のトレードオフを提供するために、CluStREの複数の構成を導入します。 実験的評価によると、CluStREはソリューションの品質を89.8%向上し、2.6倍高速に動作し、最先端のストリーミングクラスタリングアルゴリズムで要求されるメモリの3分の2以下を使用する。 さらに、我々の最強モードは、ソリューションの品質を平均で最大150%向上させる。 これにより、CluStREはインメモリアルゴリズムに匹敵するソリューション品質、すなわち、Louvainを含むクラスタリングアプローチの品質の96%以上を達成し、ストリーミングと従来のクラスタリングメソッドのギャップを効果的に埋める。

関連論文リスト

• A Greedy Strategy for Graph Cut [95.2841574410968]
  GGCと呼ばれるグラフカットの問題を解決するための欲求戦略を提案する。 これは、各データサンプルがクラスタと見なされる状態から始まり、2つのクラスタを動的にマージする。 GGCはサンプル数に関してほぼ線形な計算複雑性を持つ。
  論文  参考訳（メタデータ） (2024-12-28T05:49:42Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Image Clustering Algorithm Based on Self-Supervised Pretrained Models and Latent Feature Distribution Optimization [4.39139858370436]
  本稿では,自己教師付き事前学習モデルと潜在特徴分布最適化に基づく画像クラスタリングアルゴリズムを提案する。 我々の手法は最新のクラスタリングアルゴリズムより優れ、最先端のクラスタリング結果が得られる。
  論文  参考訳（メタデータ） (2024-08-04T04:08:21Z)
• Rethinking and Accelerating Graph Condensation: A Training-Free Approach with Class Partition [49.41718583061147]
  グラフ凝縮(Graph condensation)は、大きなグラフを小さいが情報的な凝縮グラフに置き換えるための、データ中心のソリューションである。 既存のGCメソッドは、複雑な最適化プロセス、過剰なコンピューティングリソースとトレーニング時間を必要とする。 我々は、CGC(Class-partitioned Graph Condensation)と呼ばれるトレーニング不要なGCフレームワークを提案する。 CGCはOgbn-productsグラフを30秒以内に凝縮し、102$Xから104$Xまでのスピードアップを実現し、精度は4.2%まで向上した。
  論文  参考訳（メタデータ） (2024-05-22T14:57:09Z)
• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• Simple Contrastive Graph Clustering [41.396185271303956]
  既存の手法を改善するための単純なコントラストグラフクラスタリング(SCGC)アルゴリズムを提案する。 我々のアルゴリズムは、最近のコントラストの高いディープクラスタリング競合よりも、平均して7倍のスピードアップを達成している。
  論文  参考訳（メタデータ） (2022-05-11T06:45:19Z)
• Improved Multi-objective Data Stream Clustering with Time and Memory Optimization [0.0]
  本稿では,新しいデータストリームクラスタリング手法(IMOC-Stream)を提案する。 2つの異なる目的関数を使用して、データの異なる側面をキャプチャする。 実験により, 任意の形状, コンパクト, 分離されたクラスタにデータストリームを分割できることを示す。
  論文  参考訳（メタデータ） (2022-01-13T17:05:56Z)
• Scalable Community Detection via Parallel Correlation Clustering [1.5644420658691407]
  グラフクラスタリングとコミュニティ検出は、現代のデータマイニングの中心的な問題である。 本稿では,地上の真実に基づいて,高品質なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-07-27T04:33:37Z)
• Improving k-Means Clustering Performance with Disentangled Internal Representations [0.0]
  本稿では,オートエンコーダの学習遅延符号表現の絡み合いを最適化する,シンプルなアプローチを提案する。 提案手法を用いて,MNISTデータセットでは96.2%,Fashion-MNISTデータセットでは85.6%,EMNIST Balancedデータセットでは79.2%,ベースラインモデルでは79.2%であった。
  論文  参考訳（メタデータ） (2020-06-05T11:32:34Z)
• Local Graph Clustering with Network Lasso [90.66817876491052]
  局所グラフクラスタリングのためのネットワークLasso法の統計的および計算的性質について検討する。 nLassoによって提供されるクラスタは、クラスタ境界とシードノードの間のネットワークフローを通じて、エレガントに特徴付けられる。
  論文  参考訳（メタデータ） (2020-04-25T17:52:05Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)

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。