論文の概要: Online Sparsification of Bipartite-Like Clusters in Graphs

• arxiv url: http://arxiv.org/abs/2508.05437v1
• Date: Thu, 07 Aug 2025 14:28:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.909139
• Title: Online Sparsification of Bipartite-Like Clusters in Graphs
• Title（参考訳）: グラフにおけるバイパルタイト様クラスタのオンラインスカラー化
• Authors: Joyentanuj Das, Suranjan De, He Sun,
• Abstract要約: 我々は,非方向グラフと有向グラフの2部グラフのようなクラスタを見つける,効率的かつオンラインなスパーシフィケーションアルゴリズムを提案する。 我々は、合成データセットと実世界のデータセットの両方について実験を行い、我々のアルゴリズムが既存のクラスタリングアルゴリズムの実行時間を著しく高速化することを示した。
• 参考スコア（独自算出の注目度）: 4.009237266190497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph clustering is an important algorithmic technique for analysing massive graphs, and has been widely applied in many research fields of data science. While the objective of most graph clustering algorithms is to find a vertex set of low conductance, a sequence of recent studies highlights the importance of the inter-connection between vertex sets when analysing real-world datasets. Following this line of research, in this work we study bipartite-like clusters and present efficient and online sparsification algorithms that find such clusters in both undirected graphs and directed ones. We conduct experimental studies on both synthetic and real-world datasets, and show that our algorithms significantly speedup the running time of existing clustering algorithms while preserving their effectiveness.
• Abstract（参考訳）: グラフクラスタリングは、巨大なグラフを分析するための重要なアルゴリズム手法であり、データ科学の多くの研究分野に広く応用されている。 多くのグラフクラスタリングアルゴリズムの目的は、低コンダクタンスの頂点集合を見つけることであるが、最近の一連の研究は、実世界のデータセットを分析する際に頂点集合間の相互接続の重要性を強調している。 この一連の研究の後、我々は二部体のようなクラスタを調査し、非方向グラフと有向グラフの両方でそのようなクラスタを見つける効率的かつオンラインなスパーシフィケーションアルゴリズムを提示する。 我々は、合成データセットと実世界のデータセットの両方について実験を行い、アルゴリズムが既存のクラスタリングアルゴリズムの実行時間を著しく高速化し、その有効性を保っていることを示す。

関連論文リスト

• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• 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)
• On Learning the Structure of Clusters in Graphs [3.8073142980733]
  多くの実世界のアプリケーションでは、クラスタは大きなハイレベルな構造を持つ。 これはグラフクラスタリングアルゴリズムの設計と解析においてしばしば見過ごされる。 この論文は、クラスタの構造を効率的に学習できるかどうかという自然問題に対処する。
  論文  参考訳（メタデータ） (2022-12-29T15:26:19Z)
• Hub-aware Random Walk Graph Embedding Methods for Classification [44.99833362998488]
  ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。 提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
  論文  参考訳（メタデータ） (2022-09-15T20:41:18Z)
• Hierarchical Clustering: $O(1)$-Approximation for Well-Clustered Graphs [3.2901541059183432]
  階層クラスタリングのための2時間近似アルゴリズムを提案する。 本研究の意義は,合成データセットと実世界のデータセットの両方における経験的分析によって実証された。
  論文  参考訳（メタデータ） (2021-12-16T17:52:04Z)
• 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)
• Local Algorithms for Finding Densely Connected Clusters [3.2901541059183432]
  局所グラフクラスタリングは、巨大なグラフを分析するための重要なテクニックである。 最近の研究は、実世界のデータセットを分析する際に、クラスタ間の相互接続の重要性を強調している。
  論文  参考訳（メタデータ） (2021-06-09T17:40:45Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Weighted Graph Nodes Clustering via Gumbel Softmax [0.0]
  重み付きグラフデータセットのクラスタリングのためのグラフクラスタリングアルゴリズムの研究成果について述べる。 アルゴリズムをGumbel Softmax(WGCGS)を介して重み付きグラフノードクラスタリングと呼びます。
  論文  参考訳（メタデータ） (2021-02-22T05:05:35Z)
• Higher-Order Spectral Clustering of Directed Graphs [8.997952791113232]
  クラスタリングはアルゴリズムにおいて重要なトピックであり、機械学習、コンピュータビジョン、統計学、その他いくつかの研究分野に多くの応用がある。 本稿では,グラフクラスタリングのためのほぼ線形時間アルゴリズムを提案し,提案アルゴリズムが妥当な仮定の下でサブ線形時間で実装可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-10T13:06:37Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。