Fugu-MT 論文翻訳(概要): Perfect Clustering in Nonuniform Hypergraphs

論文の概要: Perfect Clustering in Nonuniform Hypergraphs

arxiv url: http://arxiv.org/abs/2504.08980v1
Date: Fri, 11 Apr 2025 21:12:48 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-15 16:50:20.501066
Title: Perfect Clustering in Nonuniform Hypergraphs
Title（参考訳）: 非一様ハイパーグラフにおける完全クラスタリング
Authors: Ga-Ming Angus Chan, Zachary Lubberts,
Abstract要約: 相互作用ハイパーグラフと呼ばれるハイパーグラフを解析するためのハイパーエッジ中心モデルを提案する。相互作用が十分に観測されたら、相互作用潜在位置のスペクトル推定が完全なクラスタリングを実現することができることを示す。
参考スコア（独自算出の注目度）: 2.2252684361733293
License:
Abstract: While there has been tremendous activity in the area of statistical network inference on graphs, hypergraphs have not enjoyed the same attention, on account of their relative complexity and the lack of tractable statistical models. We introduce a hyper-edge-centric model for analyzing hypergraphs, called the interaction hypergraph, which models natural sampling methods for hypergraphs in neuroscience and communication networks, and accommodates interactions involving different numbers of entities. We define latent embeddings for the interactions in such a network, and analyze their estimators. In particular, we show that a spectral estimate of the interaction latent positions can achieve perfect clustering once enough interactions are observed.
Abstract（参考訳）: グラフ上の統計ネットワーク推論の領域では、非常に活発な活動があったが、グラフの相対的な複雑さと、抽出可能な統計モデルの欠如から、ハイパーグラフは、同じ注意を引いていない。神経科学および通信ネットワークにおけるハイパーグラフの自然サンプリング手法をモデル化し,異なる数のエンティティを含む相互作用を許容する相互作用ハイパーグラフと呼ばれるハイパーグラフを解析するためのハイパーエッジ中心モデルを提案する。このようなネットワークにおける相互作用に対する潜伏埋め込みを定義し,その推定器を解析する。特に, 相互作用が十分に観測されれば, 相互作用潜在位置のスペクトル推定が完全なクラスタリングを実現することができることを示す。

関連論文リスト

Hyperedge Anomaly Detection with Hypergraph Neural Network [0.08192907805418582]
本稿では,ハイパーグラフ内の異常関連を識別するための,エンドツーエンドのハイパーグラフニューラルネットワークモデルを提案する。提案アルゴリズムはラベル付きデータを必要とせずに教師なしで動作する。
論文参考訳（メタデータ） (2024-12-07T12:52:22Z)
SPHINX: Structural Prediction using Hypergraph Inference Network [19.853413818941608]
本稿では,非教師付き手法で遅延ハイパーグラフ構造を推論するモデルであるハイパーグラフ推論ネットワーク(SPHINX)を用いた構造予測を提案する。 k-サブセットサンプリングの最近の進歩は、離散ハイパーグラフ構造を生成するのに適したツールであることを示す。結果として得られるモデルは、現代のハイパーグラフニューラルネットワークに必要な高次構造を生成することができる。
論文参考訳（メタデータ） (2024-10-04T07:49:57Z)
Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
論文参考訳（メタデータ） (2023-12-18T17:50:52Z)
From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文参考訳（メタデータ） (2023-06-16T04:40:59Z)
Learning Causal Effects on Hypergraphs [33.41001768564952]
我々は因果性の観点からハイパーグラフを研究する。本研究では,高次干渉モデルについて検討し,ハイパーグラフニューラルネットワークを用いた新たな因果学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-07-07T23:14:10Z)
Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文参考訳（メタデータ） (2022-05-15T11:38:14Z)
Principled inference of hyperedges and overlapping communities in hypergraphs [0.0]
本稿では,ハイパーグラフの構造的構造を特徴付けるための統計的推測に基づく枠組みを提案する。我々は,ハイパーエッジ予測タスクにおいて強い性能を示し,相互作用によってもたらされる情報に順応したコミュニティの検出,ノイズの多いハイパーエッジの追加に対する堅牢性を示した。
論文参考訳（メタデータ） (2022-04-12T09:13:46Z)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)
Learning over Families of Sets -- Hypergraph Representation Learning for Higher Order Tasks [12.28143554382742]
可変サイズのハイパーエッジの表現を実証的に表現するためのハイパーグラフニューラルネットワークを開発した。複数の実世界のハイパーグラフデータセットのパフォーマンスを評価し、最新モデルよりも一貫性のある大幅な精度向上を実証します。
論文参考訳（メタデータ） (2021-01-19T18:37:50Z)
Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-10-25T02:15:24Z)
A Graph-based Interactive Reasoning for Human-Object Interaction Detection [71.50535113279551]
本稿では,HOIを推論するインタラクティブグラフ(Interactive Graph, in-Graph)という,グラフに基づくインタラクティブ推論モデルを提案する。 In-GraphNet と呼ばれる HOI を検出するための新しいフレームワークを構築した。私たちのフレームワークはエンドツーエンドのトレーニングが可能で、人間のポーズのような高価なアノテーションはありません。
論文参考訳（メタデータ） (2020-07-14T09:29:03Z)

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。