論文の概要: Alcmean's: Unsupervised community detection using local Laplacian, automatic detection of the number of centers
- arxiv url: http://arxiv.org/abs/2606.09100v1
- Date: Mon, 08 Jun 2026 06:53:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:06.772444
- Title: Alcmean's: Unsupervised community detection using local Laplacian, automatic detection of the number of centers
- Title（参考訳）: Alcmean's: ローカルラプラシアンを用いた教師なしコミュニティ検出, センター数の自動検出
- Authors: Shahin Momenzadeh, Rojiar Pir Mohammadiani,
- Abstract要約: コミュニティ検出は複雑なネットワーク解析における根本的な問題である。
Louvain、LPA、モジュラリティ最適化といった従来のアルゴリズムは手動のパラメータチューニングを必要とすることが多い。
本稿では,新しいコミュニティ検出アルゴリズムであるALCMeansを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Community detection is a fundamental problem in the analysis of complex networks. It has applications across social, biological, and financial domains. Traditional algorithms such as Louvain, LPA, and modularity optimization often require manual parameter tuning. They also suffer from inaccurate cluster center selection and struggle with scalability. To address these challenges, we propose Automatic Laplacian Centrality Means (ALCMeans), a novel community detection algorithm. ALCMeans combines Laplacian energy-based automatic center identification with DeepWalk embeddings for robust node representation. Unlike existing Laplacian-based and clustering methods, ALCMeans eliminates the need to predefine the number of communities, enhances cluster center selection using structural importance, and leverages representation learning for more accurate and stable assignments. Experimental results on benchmark datasets demonstrate 10 to 20 percent higher NMI and ARI scores compared to Louvain, Newman-Girvan, LPA, Fast-Greedy, and a recent GNN-based competitor (MAGI, KDD 2024). Additional evaluations with modularity and F1-scores confirm the superiority of ALCMeans. Ablation studies highlight the critical contributions of each component. Despite its reliance on DeepWalk parameters and increased runtime relative to lightweight heuristics, ALCMeans consistently outperforms state-of-the-art methods. This makes it a promising tool for real-world network analysis.
- Abstract（参考訳）: コミュニティ検出は複雑なネットワーク解析における根本的な問題である。
社会、生物学的、金融分野にまたがる応用がある。
Louvain、LPA、モジュラリティ最適化といった従来のアルゴリズムは手動のパラメータチューニングを必要とすることが多い。
彼らはまた、不正確なクラスタセンターの選択とスケーラビリティに悩まされている。
これらの課題に対処するため、我々は新しいコミュニティ検出アルゴリズムであるALCMeans(Automatic Laplacian Centrality Means)を提案する。
ALCMeansは、ラプラシアのエネルギーベース自動中心同定と、堅牢なノード表現のためのDeepWalk埋め込みを組み合わせる。
既存のLaplacianベースのクラスタリング手法とは異なり、ALCMeansはコミュニティの数を事前に定義する必要をなくし、構造的重要性を利用してクラスタセンターの選択を強化し、表現学習を活用してより正確で安定した割り当てを行う。
ベンチマークデータセットの実験結果は、Louvain、Newman-Girvan、LPA、Fast-Greedy、および最近のGNNベースの競合(MAGI、KDD 2024)と比較して、NMIとARIのスコアが10～20%高いことを示している。
モジュラリティとF1スコアによるさらなる評価により、ALCMeansの優位性が確認された。
アブレーション研究は、各コンポーネントの批判的な貢献を強調している。
DeepWalkパラメータへの依存と軽量ヒューリスティックスに対するランタイムの増加にもかかわらず、ALCMeansは一貫して最先端のメソッドよりも優れています。
これにより、現実世界のネットワーク分析のための有望なツールとなる。
関連論文リスト
- ECHO: Encoding Communities via High-order Operators [8.970269049715933]
トポロジ的アルゴリズムは意味的特徴を無視し、グラフニューラルネットワーク(GNN)は壊滅的な計算ボトルネックに直面している。
コミュニティ検出を適応的でマルチスケールの拡散プロセスとして再構成する,スケーラブルで自己管理型のアーキテクチャであるECHOを紹介する。
ECHOは、グローバル勾配の数学的精度を犠牲にすることなく、従来のO(N2)メモリボトルネックを完全にバイパスする。
論文 参考訳（メタデータ） (2026-02-25T22:14:29Z) - Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。
我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
論文 参考訳（メタデータ） (2025-05-07T11:37:23Z) - Community Detection by ELPMeans: An Unsupervised Approach That Uses Laplacian Centrality and Clustering [0.0]
ソーシャルネットワークの最近の増加により、ネットワーク分析のコミュニティはより複雑になっている。
本稿は,この課題に対処する試みとして,ELPMeansという新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-02-27T09:07:45Z) - Stability and Generalization for Distributed SGDA [70.97400503482353]
分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。
我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。
理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
論文 参考訳（メタデータ） (2024-11-14T11:16:32Z) - TANGO: Clustering with Typicality-Aware Nonlocal Mode-Seeking and Graph-Cut Optimization [2.4783546111391215]
密度に基づくモード探索法は,低密度点から高密度近傍への遠心依存性を生成する。
両言語の観点から, 局所的に定義された依存関係を探索することにより, 固有性という新しい概念を導入する。
我々は,グローバルビューの典型性を利用して,モードを効果的かつ効率的に識別するアルゴリズムを考案する。
論文 参考訳（メタデータ） (2024-08-19T15:26:25Z) - Fuzzy K-Means Clustering without Cluster Centroids [21.256564324236333]
ファジィK平均クラスタリングは教師なしデータ分析において重要な手法である。
本稿では,クラスタセントロイドへの依存を完全に排除する,ファジィテクストK-Meansクラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-04-07T12:25:03Z) - Adaptive Local-Component-aware Graph Convolutional Network for One-shot
Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。
我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文 参考訳（メタデータ） (2022-09-21T02:33:07Z) - A Communication-efficient Algorithm with Linear Convergence for
Federated Minimax Learning [1.713291434132985]
GAN(Geneimation Adversarial Networks)をモデル化した大規模マルチエージェントミニマックス最適化問題について検討する。
全体的な目的は、エージェントのプライベートなローカルな目的関数の総和である。
我々は,FedGDA-GTが,大域的な$epsilon GDA解に一定のステップサイズで線形収束することを示した。
論文 参考訳（メタデータ） (2022-06-02T16:31:16Z) - Frequent Itemset-driven Search for Finding Minimum Node Separators in
Complex Networks [61.2383572324176]
本稿では,データマイニングにおける頻繁なアイテムセットマイニングの概念をよく知られたメメティック検索フレームワークに統合する,頻繁なアイテムセット駆動探索手法を提案する。
頻繁なアイテムセット組換え演算子を反復的に使用して、高品質なソリューションで頻繁に発生するアイテムセットに基づいた有望な子孫ソリューションを生成する。
特に、29個の新しい上界を発見し、以前の18個の最もよく知られた境界と一致する。
論文 参考訳（メタデータ） (2022-01-18T11:16:40Z) - Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge
Computing [113.52575069030192]
セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。
通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。
分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。
分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
論文 参考訳（メタデータ） (2020-10-02T10:41:59Z)
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。