論文の概要: Interrelating Fruchterman-Reingold Graph Visualization and Agglomerative Clustering

• arxiv url: http://arxiv.org/abs/2609.35073v1
• Date: Mon, 28 Sep 2026 12:57:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 17:14:19.387249
• Title: Interrelating Fruchterman-Reingold Graph Visualization and Agglomerative Clustering
• Title（参考訳）: Fruchterman-Reingoldグラフの可視化と集約クラスタリング
• Abstract要約: Fruchterman-Reingoldグラフ可視化法と4種類の凝集クラスタリングの関係について検討した。 2次元と10次元の3種類のデータセットと、後者の2次元のPCA投影が検討されている。 凝集法は、主に互いに類似した結果をもたらす傾向があり、一方で元のデータと適度な類似性を示す傾向にあった。
• 参考スコア（独自算出の注目度）: 46.186152268413025
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph visualization methods and agglomerative clustering have been frequently considered in data analysis and pattern recognition. Because these approaches are interrelated and complementary, it is of particular interest to investigate their associations. In this work, we study the possible relationship between the Fruchterman-Reingold graph visualization method and four types of agglomerative clustering adopting single- and complete-linkage, average, and Ward's linkage criteria. Three types of datasets have been considered in 2 and 10 dimensions, as well as the PCA projection of the latter to two dimensions. The results obtained suggest that the relationship between the methods considered did not vary much for the three types of data mentioned above. At the same time, the agglomerative methods tended to yield results that are mostly similar to each other, while presenting moderate similarity with the original data. The Fruchterman-Reingold visualization resulted similar to the original data, but exhibited relatively smaller similarity to the agglomerative methods.
• Abstract（参考訳）: グラフ可視化法や凝集クラスタリングは、データ解析やパターン認識においてよく検討されている。 これらのアプローチは相互関係があり相補的であるため、それらの関連を調査することが特に重要である。 本研究では,Fruchterman-Reingoldグラフ可視化手法と,単一リンク,完全リンク,平均,ウォードリンクの4種類の凝集クラスタリングの関係について検討する。 2次元と10次元の3種類のデータセットと、後者の2次元のPCA投影が検討されている。 その結果, 上記の3種類のデータについて, 検討した手法間の関係は, あまり変化しなかったことが示唆された。 同時に、凝集法は、主に互いに類似した結果をもたらす傾向にあり、一方、元のデータと適度な類似性を示す傾向にあった。 Fruchterman-Reingoldビジュアライゼーションは元のデータと似ているが、凝集法と比較的類似性は低い。

関連論文リスト

• Objective drives the consistency of representational similarity across datasets [19.99817888941361]
  本稿では,モデル間の表現的類似度が,表現を構成するために使用される刺激の集合によってどのように変化するかを測定するための体系的手法を提案する。 自己教師付き視覚モデルは、相対的なペアの類似性が、あるデータセットから別のデータセットへより良く一般化する表現を学ぶ。 我々の研究は、データセット間のモデル表現の類似性を分析し、それらの類似性とタスクの振る舞いの違いを関連付けるためのフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-11-08T13:35:45Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• A Relation-Oriented Clustering Method for Open Relation Extraction [18.20811491136624]
  関係指向クラスタリングモデルを提案し,それを用いてラベルなしデータの新しい関係を同定する。 我々は、インスタンスを対応する関係セントロイドに向かって集めることで、同じ関係を持つインスタンス間の距離を最小化する。 実験の結果,2つのデータセットに対して誤差率を29.2%,15.7%削減できることがわかった。
  論文  参考訳（メタデータ） (2021-09-15T10:46:39Z)
• 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)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Contrastive analysis for scatter plot-based representations of dimensionality reduction [0.0]
  本稿では,マルチ次元データセットを探索し,クラスタの形成を解釈する手法を提案する。 また,属性がクラスタ形成にどのように影響するかを理解するために使用される統計変数間の関係を視覚的に解釈し,探索する二部グラフも導入する。
  論文  参考訳（メタデータ） (2021-01-26T01:16:31Z)

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。