論文の概要: The Role of Community Detection Methods in Performance Variations of Graph Mining Tasks

• arxiv url: http://arxiv.org/abs/2509.09045v1
• Date: Wed, 10 Sep 2025 22:44:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.165782
• Title: The Role of Community Detection Methods in Performance Variations of Graph Mining Tasks
• Title（参考訳）: グラフマイニング作業の性能変化におけるコミュニティ検出手法の役割
• Authors: Shrabani Ghosh, Erik Saule,
• Abstract要約: コミュニティ検出アルゴリズムの選択が下流アプリケーションの性能に大きく影響するかどうかを検討する。 比較分析により、特定のコミュニティ検出アルゴリズムが特定のアプリケーションにおいて優れた結果をもたらすことが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In real-world scenarios, large graphs represent relationships among entities in complex systems. Mining these large graphs often containing millions of nodes and edges helps uncover structural patterns and meaningful insights. Dividing a large graph into smaller subgraphs facilitates complex system analysis by revealing local information. Community detection extracts clusters or communities of graphs based on statistical methods and machine learning models using various optimization techniques. Structure based community detection methods are more suitable for applying to graphs because they do not rely heavily on rich node or edge attribute information. The features derived from these communities can improve downstream graph mining tasks, such as link prediction and node classification. In real-world applications, we often lack ground truth community information. Additionally, there is neither a universally accepted gold standard for community detection nor a single method that is consistently optimal across diverse applications. In many cases, it is unclear how practitioners select community detection methods, and choices are often made without explicitly considering their potential impact on downstream tasks. In this study, we investigate whether the choice of community detection algorithm significantly influences the performance of downstream applications. We propose a framework capable of integrating various community detection methods to systematically evaluate their effects on downstream task outcomes. Our comparative analysis reveals that specific community detection algorithms yield superior results in certain applications, highlighting that method selection substantially affects performance.
• Abstract（参考訳）: 実世界のシナリオでは、大きなグラフは複雑なシステムのエンティティ間の関係を表す。 数百万のノードとエッジを含む大きなグラフをマイニングすることは、構造パターンと意味のある洞察を明らかにするのに役立つ。 大きなグラフを小さなサブグラフに分割することで、局所的な情報を明らかにすることで複雑なシステム分析が容易になる。 コミュニティ検出は、様々な最適化手法を用いて統計手法と機械学習モデルに基づいて、グラフのクラスタやコミュニティを抽出する。 構造に基づくコミュニティ検出方法は、リッチノードやエッジ属性の情報に大きく依存しないため、グラフに適用するのにより適している。 これらのコミュニティから派生した特徴は、リンク予測やノード分類などの下流グラフマイニングタスクを改善することができる。 現実世界のアプリケーションでは、多くの場合、真実のコミュニティ情報が欠落しています。 さらに、コミュニティ検出のための普遍的に受け入れられるゴールドスタンダードや、多様なアプリケーションに対して一貫して最適である単一のメソッドは存在しない。 多くの場合、実践者がコミュニティ検出方法をどのように選択するかは不明確であり、ダウンストリームタスクに対する潜在的な影響を明示的に考慮せずに選択されることが多い。 本研究では,コミュニティ検出アルゴリズムの選択が下流アプリケーションの性能に大きく影響するかどうかを検討する。 ダウンストリームタスク結果に対する影響を体系的に評価するために,様々なコミュニティ検出手法を統合可能なフレームワークを提案する。 比較分析により,特定のコミュニティ検出アルゴリズムが特定のアプリケーションにおいて優れた結果をもたらすことが明らかとなり,提案手法の選択が性能に大きく影響していることが明らかになった。

関連論文リスト

• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• A Comprehensive Review of Community Detection in Graphs [10.683947241960178]
  複雑なネットワークの研究は、我々のコミュニティ構造に対する理解を著しく前進させてきた。 グラフ内のコミュニティを検出することは、社会学、生物学、計算機科学の応用において難しい問題である。 本稿では, グラフにおけるコミュニティ検出の話題について概説し, 様々なコミュニティ検出手法の徹底的な解説を行う。
  論文  参考訳（メタデータ） (2023-09-21T06:04:06Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• A Comprehensive Analytical Survey on Unsupervised and Semi-Supervised Graph Representation Learning Methods [4.486285347896372]
  本調査は,グラフ埋め込み手法のすべての主要なクラスを評価することを目的としている。 我々は,手動の特徴工学,行列分解,浅部ニューラルネットワーク,深部グラフ畳み込みネットワークなどの手法を含む分類学を用いてグラフ埋め込み手法を編成した。 我々はPyTorch GeometricおよびDGLライブラリ上で実験を設計し、異なるマルチコアCPUおよびGPUプラットフォーム上で実験を行った。
  論文  参考訳（メタデータ） (2021-12-20T07:50:26Z)
• Graph-wise Common Latent Factor Extraction for Unsupervised Graph Representation Learning [40.70562886682939]
  我々は、教師なしグラフ表現学習のための新しい原則を提案する:グラフワイド共通潜在因子抽出(GCFX) GCFXは入力グラフから一般的な潜伏因子を明示的に抽出し、現在の最先端のタスクで改善された結果を達成する。 広範囲な実験と分析により,GCFXは個々のノードや周辺地域の局所的な変動による障害を軽減するため,グラフレベルのタスクに有用であることを示す。
  論文  参考訳（メタデータ） (2021-12-16T12:22:49Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)
• 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)

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。