論文の概要: Community Detection by ELPMeans: An Unsupervised Approach That Uses Laplacian Centrality and Clustering

• arxiv url: http://arxiv.org/abs/2502.19895v1
• Date: Thu, 27 Feb 2025 09:07:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:55:55.358273
• Title: Community Detection by ELPMeans: An Unsupervised Approach That Uses Laplacian Centrality and Clustering
• Title（参考訳）: ELPMeansによるコミュニティ検出:ラプラシアン中心性とクラスタリングを用いた教師なしアプローチ
• Authors: Shahin Momenzadeh, Rojiar Pir Mohammadiani,
• Abstract要約: ソーシャルネットワークの最近の増加により、ネットワーク分析のコミュニティはより複雑になっている。 本稿は,この課題に対処する試みとして,ELPMeansという新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Community detection in network analysis has become more intricate due to the recent hike in social networks (Cai et al., 2024). This paper suggests a new approach named ELPMeans that strives to address this challenge. For community detection in the whole network, ELPMeans combines Laplacian, Hierarchical Clustering as well as K-means algorithms. Our technique employs Laplacian centrality and minimum distance metrics for central node identification while k-means learning is used for efficient convergence to final community structure. Remarkably, ELPMeans is an unsupervised method which is not only simple to implement but also effectively tackles common problems such as random initialization of central nodes, or finding of number of communities (K). Experimental results show that our algorithm improves accuracy and reduces time complexity considerably outperforming recent approaches on real world networks. Moreover, our approach has a wide applicability range in various community detection tasks even with nonconvex shapes and no prior knowledge about the number of communities present.
• Abstract（参考訳）: 近年のソーシャルネットワークの上昇により,ネットワーク分析におけるコミュニティ検出が複雑化している(Cai et al , 2024)。 本稿は,この課題に対処する試みとして,ELPMeansという新しいアプローチを提案する。 ネットワーク全体のコミュニティ検出には、Laplacian、Hierarchical Clustering、K-meansアルゴリズムを組み合わせている。 本手法では,k平均学習を最終コミュニティ構造への効率的な収束に用いながら,Laplacianの集中度と最小距離を中心ノード同定に用いた。 ELPMeansは、実装が簡単であるだけでなく、中央ノードのランダム初期化やコミュニティ数(K)の発見といった一般的な問題にも効果的に対処する、教師なしの手法である。 実験結果から,提案アルゴリズムは精度を向上し,時間的複雑性を低減し,近年の現実世界ネットワークにおけるアプローチを著しく上回っていることが明らかとなった。 また,非凸形状であっても,様々なコミュニティ検出タスクに適用可能な範囲が広く,コミュニティ数に関する事前知識は存在しない。

関連論文リスト

• Enhancing Community Detection in Networks: A Comparative Analysis of Local Metrics and Hierarchical Algorithms [49.1574468325115]
  本研究は,地域間類似度指標を用いた地域検出の関連性を評価するために,同じ手法を用いている。 これらの指標の有効性は,異なるコミュニティサイズを持つ複数の実ネットワークにベースアルゴリズムを適用して評価した。
  論文  参考訳（メタデータ） (2024-08-17T02:17:09Z)
• A Novel Algorithm for Community Detection in Networks using Rough Sets and Consensus Clustering [0.0]
  社会的、生物学的、技術的システムのような複雑なネットワークは、しばしばコミュニティ検出の課題に挑戦する。 本研究は,ネットワークコミュニティの構造を効果的に識別するための,新しい粗いクラスタリングに基づくコンセンサスコミュニティフレームワーク(RC-CCD)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T09:01:21Z)
• Semi-supervised Community Detection via Structural Similarity Metrics [0.0]
  本研究では,新しいノードのコミュニティラベルを推定することを目的とした,半教師付きコミュニティ検出問題について検討する。 本稿では,新しいノードとK$コミュニティ間の構造的類似度メトリック'を計算するアルゴリズムを提案する。 我々の知る限りでは、理論的な保証を提供する最初の半教師付きコミュニティ検出アルゴリズムである。
  論文  参考訳（メタデータ） (2023-06-01T19:02:50Z)
• Implicit models, latent compression, intrinsic biases, and cheap lunches in community detection [0.0]
  コミュニティ検出は、ネットワークをノードのクラスタに分割して、その大規模な構造を要約することを目的としている。 いくつかのコミュニティ検出手法は、確率的生成モデルを通じてクラスタリングの目的を明示的に導出する。 他の方法は記述的であり、特定のアプリケーションによって動機付けられた目的に応じてネットワークを分割する。 本稿では,コミュニティ検出対象,推論対象,記述対象とそれに対応する暗黙的ネットワーク生成モデルとを関連付けるソリューションを提案する。
  論文  参考訳（メタデータ） (2022-10-17T15:38:41Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Frequent Itemset-driven Search for Finding Minimum Node Separators in Complex Networks [61.2383572324176]
  本稿では,データマイニングにおける頻繁なアイテムセットマイニングの概念をよく知られたメメティック検索フレームワークに統合する,頻繁なアイテムセット駆動探索手法を提案する。 頻繁なアイテムセット組換え演算子を反復的に使用して、高品質なソリューションで頻繁に発生するアイテムセットに基づいた有望な子孫ソリューションを生成する。 特に、29個の新しい上界を発見し、以前の18個の最もよく知られた境界と一致する。
  論文  参考訳（メタデータ） (2022-01-18T11:16:40Z)
• Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
  クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。 本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。 ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
  論文  参考訳（メタデータ） (2021-12-03T14:23:05Z)
• Sketch-based community detection in evolving networks [15.512086254435788]
  時間変化ネットワークにおけるコミュニティ検出のアプローチを検討する。 このアプローチの中心となるのは、完全なネットワークの各スナップショットにある重要なコミュニティ構造をキャプチャする、小さなスケッチグラフを維持することだ。 すべての処理を並列に処理できるコミュニティ検出アルゴリズムを定式化する。
  論文  参考訳（メタデータ） (2020-09-24T17:32:57Z)
• On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
  本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。 また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
  論文  参考訳（メタデータ） (2020-09-15T00:16:12Z)
• Detecting Communities in Heterogeneous Multi-Relational Networks:A Message Passing based Approach [89.19237792558687]
  コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。 我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:36:24Z)

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。