論文の概要: Clustering of Incomplete Data via a Bipartite Graph Structure

• arxiv url: http://arxiv.org/abs/2505.08594v1
• Date: Tue, 13 May 2025 14:06:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.598919
• Title: Clustering of Incomplete Data via a Bipartite Graph Structure
• Title（参考訳）: 2部グラフ構造による不完全データのクラスタリング
• Authors: Amirhossein Javaheri, Daniel P. Palomar,
• Abstract要約: 本稿では,二部グラフモデルに基づくクラスタリング手法を提案する。 センターノードに関する情報を必要とせずに、不完全なデータからクラスタを推論できる。 重み付きデータを効果的に扱うように設計されている。
• 参考スコア（独自算出の注目度）: 9.904746542801837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There are various approaches to graph learning for data clustering, incorporating different spectral and structural constraints through diverse graph structures. Some methods rely on bipartite graph models, where nodes are divided into two classes: centers and members. These models typically require access to data for the center nodes in addition to observations from the member nodes. However, such additional data may not always be available in many practical scenarios. Moreover, popular Gaussian models for graph learning have demonstrated limited effectiveness in modeling data with heavy-tailed distributions, which are common in financial markets. In this paper, we propose a clustering method based on a bipartite graph model that addresses these challenges. First, it can infer clusters from incomplete data without requiring information about the center nodes. Second, it is designed to effectively handle heavy-tailed data. Numerical experiments using real financial data validate the efficiency of the proposed method for data clustering.
• Abstract（参考訳）: データクラスタリングのためのグラフ学習には様々なアプローチがあり、様々なグラフ構造を通して異なるスペクトルと構造的制約を取り入れている。 いくつかの方法は二部グラフモデルに依存しており、ノードはセンターとメンバーの2つのクラスに分けられる。 これらのモデルは典型的には、メンバーノードからの観測に加えて、中心ノードのデータへのアクセスを必要とする。 しかし、このような追加データは、多くの実践的なシナリオで常に利用できるとは限らない。 さらに、グラフ学習のための一般的なガウスモデルは、金融市場で一般的な重み付き分布を用いたデータモデリングにおいて、限られた効果を示した。 本稿では,これらの課題に対処する二部グラフモデルに基づくクラスタリング手法を提案する。 まず、センターノードに関する情報を必要とせずに、不完全なデータからクラスタを推論できる。 第二に、重み付きデータを効果的に扱うように設計されている。 実数値データを用いた数値実験により,提案手法の有効性を検証した。

関連論文リスト

• Fair Decentralized Learning [1.7010199949406575]
  フェアモデルトレーニングのためのクラスタリングベースの機械学習アルゴリズムであるtextscFacadeを紹介する。 textscFacadeは、時間とともにノードを適切なクラスタに動的に割り当て、ノードが完全に分散された方法で各クラスタの特別なモデルを協調的にトレーニングすることを可能にする。 3つのデータセットに対する実験結果は、モデル精度と公平性の観点から、我々のアプローチの優位性を示すものである。
  論文  参考訳（メタデータ） (2024-10-03T14:45:23Z)
• Multi-View Stochastic Block Models [34.55723218769512]
  我々は、この設定をキャプチャするtextitmulti-viewブロックモデルと呼ばれる、新しいモデルのファミリーを形式化する。 本モデルでは,まず,複数のグラフの和合体をネーティブに扱う効率的なアルゴリズムについて検討する。 そこで本研究では,各グラフの構造を別々に解析することで,従来の手法を確実に上回るアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-07T11:45:31Z)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
  両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。 本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。 このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
  論文  参考訳（メタデータ） (2023-05-12T11:27:20Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Efficient Multi-view Clustering via Unified and Discrete Bipartite Graph Learning [15.617206773324952]
  本稿では,統一および離散二部グラフ学習(UDBGL)による効率的なマルチビュークラスタリング手法を提案する。 複数のビューからビュー固有の二部グラフを学習するために、アンカーベースのサブスペース学習が組み込まれている。 ラプラシア階数制約は、融合二部グラフが離散クラスタ構造を持つことを保証するために課される。
  論文  参考訳（メタデータ） (2022-09-09T08:51:01Z)
• 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)
• Structured Graph Learning for Scalable Subspace Clustering: From Single-view to Multi-view [28.779909990410978]
  グラフベースのサブスペースクラスタリング手法は有望な性能を示した。 コストのかかる時間のオーバーヘッドに遭遇し、明示的なクラスタの探索に失敗し、見えないデータポイントに一般化することはできません。 上記の3つの課題を同時に解決しようとする,スケーラブルなグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-16T03:46:11Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
  グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。 グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。 本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。