論文の概要: Effective Clustering for Large Multi-Relational Graphs

• arxiv url: http://arxiv.org/abs/2508.17388v1
• Date: Sun, 24 Aug 2025 14:51:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.497333
• Title: Effective Clustering for Large Multi-Relational Graphs
• Title（参考訳）: 大規模マルチリレーショナルグラフのための効果的なクラスタリング
• Authors: Xiaoyang Lin, Runhao Jiang, Renchi Yang,
• Abstract要約: マルチリレーショナルグラフ(MRG)は、実オブジェクト(ノード)間の多様な相互作用や関係をモデル化するための表現型データ構造である。 本稿では,DEM と DEMM+ の2つの有効な MRGC アプローチについて述べる。
• 参考スコア（独自算出の注目度）: 14.055388501740326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-relational graphs (MRGs) are an expressive data structure for modeling diverse interactions/relations among real objects (i.e., nodes), which pervade extensive applications and scenarios. Given an MRG G with N nodes, partitioning the node set therein into K disjoint clusters (MRGC) is a fundamental task in analyzing MRGs, which has garnered considerable attention. However, the majority of existing solutions towards MRGC either yield severely compromised result quality by ineffective fusion of heterogeneous graph structures and attributes, or struggle to cope with sizable MRGs with millions of nodes and billions of edges due to the adoption of sophisticated and costly deep learning models. In this paper, we present DEMM and DEMM+, two effective MRGC approaches to address the limitations above. Specifically, our algorithms are built on novel two-stage optimization objectives, where the former seeks to derive high-caliber node feature vectors by optimizing the multi-relational Dirichlet energy specialized for MRGs, while the latter minimizes the Dirichlet energy of clustering results over the node affinity graph. In particular, DEMM+ achieves significantly higher scalability and efficiency over our based method DEMM through a suite of well-thought-out optimizations. Key technical contributions include (i) a highly efficient approximation solver for constructing node feature vectors, and (ii) a theoretically-grounded problem transformation with carefully-crafted techniques that enable linear-time clustering without explicitly materializing the NxN dense affinity matrix. Further, we extend DEMM+ to handle attribute-less MRGs through non-trivial adaptations. Extensive experiments, comparing DEMM+ against 20 baselines over 11 real MRGs, exhibit that DEMM+ is consistently superior in terms of clustering quality measured against ground-truth labels, while often being remarkably faster.
• Abstract（参考訳）: マルチリレーショナルグラフ(Multi-relational graph、MRG)は、実際のオブジェクト(すなわちノード)間の多様な相互作用や関係をモデル化するための表現型データ構造であり、広範囲のアプリケーションやシナリオに影響を及ぼす。 N 個のノードを持つ MRG G が与えられたとき、ノードセットを K disjoint cluster (MRGC) に分割することは、MRG を解析するための基本的なタスクであり、かなりの注目を集めている。 しかし、MRGCに対する既存のソリューションの大多数は、不均一なグラフ構造と属性の非効率な融合によって、重大な妥協された結果の品質を得るか、高度でコストのかかるディープラーニングモデルを採用するために、数百万のノードと数十億のエッジを持つ巨大なMRGに対処するのに苦労する。 本稿では,DEM と DEMM+ の2つの有効な MRGC アプローチについて述べる。 特に,本アルゴリズムは,MRGに特有なマルチリレーショナルディリクレエネルギーを最適化することにより,高次ノード特徴ベクトルの導出を試み,後者はノード親和性グラフ上のクラスタリング結果のディリクレエネルギーを最小化する。 特に、DEMM+は、よく考えられた最適化によって、私たちのベースのメソッドDEMMよりもはるかに高いスケーラビリティと効率を達成する。 主な技術貢献は 一 ノード特徴ベクトルを構成するための高効率近似解器、及び (II)NxN密度親和性行列を明示的に具体化せずに線形時間クラスタリングを可能にする、慎重に構築された手法による理論的基底問題変換。 さらに、DEM+を非自明な適応を通して属性レスMRGを扱うように拡張する。 大規模な実験では、DEM+を11個の実MRGに対して20本のベースラインと比較し、DEM+は地上のトラスラベルに対して測定されたクラスタリング品質において一貫して優れているが、しばしば著しく高速であることを示した。

関連論文リスト

• An Enhanced Model-based Approach for Short Text Clustering [58.60681789677676]
  Twitter、Google+、Facebookなどのソーシャルメディアの人気が高まり、短いテキストのクラスタリングがますます重要になっている。 既存の手法は、トピックモデルに基づくアプローチと深層表現学習に基づくアプローチの2つのパラダイムに大別することができる。 短文の空間性と高次元性を効果的に扱えるDirichlet Multinomial Mixture Model (GSDMM) のギブスサンプリングアルゴリズムを提案する。 さらなる改良を保証しているGSDMMのいくつかの側面に基づいて,さらなる性能向上を目的とした改良されたアプローチであるGSDMM+を提案する。
  論文  参考訳（メタデータ） (2025-07-18T10:07:42Z)
• Reinforced Model Merging [53.84354455400038]
  本稿では,タスク統合に適した環境とエージェントを含むRMM(Reinforced Model Merging)という,革新的なフレームワークを提案する。 評価プロセス中にデータサブセットを利用することで、報酬フィードバックフェーズのボトルネックに対処し、RMMを最大100倍高速化する。
  論文  参考訳（メタデータ） (2025-03-27T08:52:41Z)
• Wavefunction optimization at the complete basis set limit with Multiwavelets and DMRG [0.0]
  マルチウェーブレットに基づくマルチレゾリューション解析(MRA)におけるDMRGの統合アルゴリズムを開発した。 我々は、MRA領域に代表される軌道に対する既存のラグランジアン最適化アルゴリズムを採用し、その計算効率を向上させる。 本手法をH2,He,HeH2,BeH2,N2などの小系に適用する。
  論文  参考訳（メタデータ） (2025-03-13T18:59:03Z)
• Spectral Subspace Clustering for Attributed Graphs [3.974852803981998]
  部分空間クラスタリングは、n 個のデータポイントの集合を k (kn) グループに分割する部分空間を同定しようとする。 本稿では,SCAG計算に有効な2つのアルゴリズム,S2CAGとM-S2CAGを提案する。
  論文  参考訳（メタデータ） (2024-11-17T13:22:15Z)
• MG-GNN: Multigrid Graph Neural Networks for Learning Multilevel Domain Decomposition Methods [0.0]
  2レベル領域分割法において最適化されたパラメータを学習するためのマルチグリッドグラフニューラルネットワーク(MG-GNN)を提案する。 MG-GNNは、この最適化のために人気のある階層グラフネットワークアーキテクチャよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-26T19:44:45Z)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• Are Message Passing Neural Networks Really Helpful for Knowledge Graph Completion? [49.858038034580005]
  単純なモデルでMPNNに匹敵する性能が得られることを示す。 評価関数と損失関数の設計がKGCモデルの性能に強い影響を与えることを示す。
  論文  参考訳（メタデータ） (2022-05-21T18:14:52Z)
• MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
  Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。 自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
  論文  参考訳（メタデータ） (2022-01-07T16:48:07Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。