論文の概要: Bounds on Perfect Node Classification: A Convex Graph Clustering Perspective

• arxiv url: http://arxiv.org/abs/2508.20231v1
• Date: Wed, 27 Aug 2025 19:22:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:01.763985
• Title: Bounds on Perfect Node Classification: A Convex Graph Clustering Perspective
• Title（参考訳）: 完全なノード分類のバウンド:凸グラフクラスタリングの観点から
• Authors: Firooz Shahriari-Mehr, Javad Aliakbari, Alexandre Graell i Amat, Ashkan Panahi,
• Abstract要約: 本稿では,ノードラベルやノードの特徴に合致するコミュニティを基盤とした,トランスダクティブノード分類問題の解析を行う。 ノード分類において,スペクトルグラフクラスタリングフレームワークにノード固有情報を組み込んだ新しい最適化問題を提案する。
• 参考スコア（独自算出の注目度）: 50.3088702686312
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an analysis of the transductive node classification problem, where the underlying graph consists of communities that agree with the node labels and node features. For node classification, we propose a novel optimization problem that incorporates the node-specific information (labels and features) in a spectral graph clustering framework. Studying this problem, we demonstrate a synergy between the graph structure and node-specific information. In particular, we show that suitable node-specific information guarantees the solution of our optimization problem perfectly recovering the communities, under milder conditions than the bounds on graph clustering alone. We present algorithmic solutions to our optimization problem and numerical experiments that confirm such a synergy.
• Abstract（参考訳）: 本稿では,ノードラベルやノードの特徴に合致するコミュニティを基盤とした,トランスダクティブノード分類問題の解析を行う。 ノード分類において,スペクトルグラフクラスタリングフレームワークにノード固有情報(ラベルと特徴)を組み込んだ新しい最適化問題を提案する。 そこで本研究では,グラフ構造とノード固有情報との相乗効果を示す。 特に、適切なノード固有情報により、グラフクラスタリングのみのバウンダリよりも穏やかな条件下で、コミュニティを完全に回復する最適化問題の解決が保証されることを示す。 本稿では,最適化問題に対するアルゴリズム的解法と,その相乗効果を確認する数値実験について述べる。

関連論文リスト

• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy [21.553180564868306]
  GraphRAREはノード相対エントロピーと深層強化学習に基づいて構築されたフレームワークである。 革新的なノード相対エントロピーは、ノードペア間の相互情報を測定するために使用される。 グラフトポロジを最適化するために,深層強化学習に基づくアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-15T11:30:18Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• Graph InfoClust: Leveraging cluster-level node information for unsupervised graph representation learning [12.592903558338444]
  本稿では,グラフ InfoClust というグラフ表現学習手法を提案する。 同社はさらに、クラスタレベルの情報コンテンツをキャプチャしようとしている。 この最適化により、ノード表現はよりリッチな情報とノイズ相互作用をキャプチャし、それによって品質が向上する。
  論文  参考訳（メタデータ） (2020-09-15T09:33:20Z)
• Smoothness Sensor: Adaptive Smoothness-Transition Graph Convolutions for Attributed Graph Clustering [10.905770964670191]
  適応的滑らか度-遷移グラフ畳み込みに基づく属性グラフクラスタリングのための滑らか度センサを提案する。 グラフレベルの滑らかさの代替として,新しい細粒度ノード単位の滑らかさ評価法を提案する。 実験の結果,提案手法は3つの異なる指標で,他の12の最先端のベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-09-12T08:12:27Z)
• Structure-Feature based Graph Self-adaptive Pooling [65.4188800835203]
  グラフデータを扱うための新しいグラフ自己適応プーリング法を提案する。 本手法は, グラフ分類において有効であり, 最先端のグラフプーリング法より優れている。
  論文  参考訳（メタデータ） (2020-01-30T13:58:49Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。