論文の概要: Fuzzy network jump models for soft dynamic clustering of graph-structured data

• arxiv url: http://arxiv.org/abs/2608.05786v1
• Date: Thu, 06 Aug 2026 09:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.865142
• Title: Fuzzy network jump models for soft dynamic clustering of graph-structured data
• Title（参考訳）: グラフ構造データのソフトダイナミッククラスタリングのためのファジィネットワークジャンプモデル
• Abstract要約: 重み付きグラフのノードによってインデックスされた時間変化観測をクラスタリングするためのファジィネットワークジャンプモデルを提案する。 シミュレーション研究により,提案手法は真のメンバシップ確率を正確に回復し,競合するクラスタリング手法より優れていることが示された。 サンフランシスコ市における交通ネットワークデータへの応用は、解釈可能な交通体制を特定し、時間と接続された道路セグメント間の進化を明らかにする。
• 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: We introduce a fuzzy network jump model for clustering time-varying observations indexed by the nodes of a weighted graph. The framework allows flexible graph representations with spatial and temporal regularization promoting smooth soft cluster assignments across connected nodes and consecutive time points. Estimation is performed through an efficient alternating optimization scheme that exploits the quadratic structure of the regularization terms. A simulation study covering different levels of spatial dependence and cluster overlap shows that the proposed method accurately recovers the true membership probabilities and outperforms competing clustering methods. An application to traffic-network data for the city of San Francisco identifies interpretable traffic regimes and reveals their evolution over time and across connected road segments.
• Abstract（参考訳）: 重み付きグラフのノードによってインデックスされた時間変化観測をクラスタリングするためのファジィネットワークジャンプモデルを提案する。 このフレームワークは、空間的および時間的正規化を伴うフレキシブルグラフ表現を可能にし、接続ノードと連続時間点間の滑らかなソフトクラスタ割り当てを促進する。 正規化項の二次構造を利用する効率的な交互最適化スキームによって推定を行う。 空間依存性とクラスタオーバーラップの異なるレベルをカバーするシミュレーション研究により,提案手法が真のメンバシップ確率を正確に回復し,競合するクラスタリング手法より優れていることを示す。 サンフランシスコ市における交通ネットワークデータへの応用は、解釈可能な交通体制を特定し、時間と接続された道路セグメント間の進化を明らかにする。

関連論文リスト

• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• Differentiable Cluster Graph Neural Network [16.26923480430114]
  本稿では、追加のクラスタノードを用いて、クラスタリング誘導バイアスをメッセージパッシング機構に組み込むフレームワークを提案する。 提案手法は局所的および大域的情報の両方を効果的に捉えることができ, ヘテロ親和性データセットとホモ親和性データセットの両方に関する広範な実験によって実証された。
  論文  参考訳（メタデータ） (2024-05-25T11:23:39Z)
• CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
  信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。 本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。 セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
  論文  参考訳（メタデータ） (2023-08-17T13:07:09Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• 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)
• Spatial-temporal traffic modeling with a fusion graph reconstructed by tensor decomposition [10.104097475236014]
  グラフ畳み込みネットワーク(GCN)は交通流予測に広く利用されている。 時空間グラフ隣接行列の設計はGCNの成功の鍵となる。 本稿では, テンソル分解による二元隣接行列の再構成を提案する。
  論文  参考訳（メタデータ） (2022-12-12T01:44:52Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• 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)
• Interpretable Clustering on Dynamic Graphs with Recurrent Graph Neural Networks [24.017988997693262]
  ノードとノードのクラスタメンバーシップ間の接続が時間とともに変化する可能性がある動的グラフにおけるノードのクラスタリングの問題を検討する。 まず,ノード間の重み付き接続に基づいてノードをクラスタ化し,その重みが時間とともに一定速度で減少する,簡易な崩壊ベースのクラスタリングアルゴリズムを提案する。 本稿では,各クラスタの最適減衰率を特徴付け,真のクラスタのほぼ完全回復を実現するクラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T04:31:19Z)
• On the spatial attention in Spatio-Temporal Graph Convolutional Networks for skeleton-based human action recognition [97.14064057840089]
  カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。 最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
  論文  参考訳（メタデータ） (2020-11-07T19:03:04Z)
• 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)

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。