論文の概要: Degree-Corrected Joint Matrix Factorization for Multilayer Community Detection

• arxiv url: http://arxiv.org/abs/2610.01361v1
• Date: Thu, 01 Oct 2026 09:31:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.031698
• Title: Degree-Corrected Joint Matrix Factorization for Multilayer Community Detection
• Title（参考訳）: 多層コミュニティ検出のためのDegree-Corrected Joint Matrix Factorization
• Abstract要約: 多層ネットワークにおけるコミュニティ検出のための共同非負対称行列トリファクター法を提案する。 当社のアプローチでは,コミュニティが階層間を行き来し,共有されるように,その要因に制約を課している。 この柔軟性により、モデルはレイヤ間の局所的およびグローバルな構造変化をキャプチャできる。
• 参考スコア（独自算出の注目度）: 46.23329532541894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multilayer networks allow the modeling of interactions between the same entities across different contexts, such as temporal observations, varying settings, or interactions of different types. The goal of community detection in multilayer networks is to identify groups of nodes exhibiting similar connectivity patterns, which may vary across layers. We propose a method based on a joint nonnegative symmetric matrix trifactorization for community detection in multilayer networks, where each graph is approximated by a nonnegative symmetric matrix trifactorization. Our approach enforces constraints on the factor matrices so that communities are disjoint and shared across layers, while allowing each layer to have its own connectivity patterns and node degrees. This flexibility enables the model to capture both local and global structural variations across layers. We also develop an algorithm to efficiently solve this problem. We evaluate multilayer community detection methods using the multilayer degree-corrected stochastic block model (MDCBM), a flexible framework for generating realistic multilayer graphs with heterogeneous degrees and varying connectivity patterns. Experiments show that our method reliably detects communities across diverse regimes, whereas existing state-of-the-art approaches are often limited by restrictive structural assumptions.
• Abstract（参考訳）: マルチレイヤネットワークは、時間的観察、異なる設定、異なるタイプの相互作用など、異なるコンテキストにわたる同一エンティティ間の相互作用のモデリングを可能にする。 多層ネットワークにおけるコミュニティ検出の目標は、層によって異なる可能性がある同様の接続パターンを示すノードのグループを特定することである。 本研究では,多層ネットワークにおけるコミュニティ検出のための共同非負対称行列の 3factorization に基づく手法を提案し,そのグラフを非負対称行列の 3factorization で近似する。 提案手法では,各レイヤが独自の接続パターンとノード次数を持つことで,コミュニティがレイヤ間で分離・共有されるように,因子行列の制約を強制する。 この柔軟性により、モデルはレイヤ間のローカルとグローバルの両方の構造変化をキャプチャできる。 また,この問題を効率的に解くアルゴリズムも開発している。 異質な次数と様々な接続パターンを持つ現実的な多層グラフを生成するフレキシブルなフレームワークであるMDCBM(Multilayer degree-corrected stochastic block model)を用いて,多層コミュニティ検出手法の評価を行った。 実験の結果,提案手法は様々な体制のコミュニティを確実に検出するが,既存の最先端のアプローチは制限的な構造仮定によって制限されることが多い。

関連論文リスト

• T-GINEE: A Tensor-Based Multilayer Graph Representation Learning [50.294562905744215]
  T-GINEEは、テンソルに基づく一般化された推定方程式とタスク固有の損失を組み合わせた統計正規化フレームワークである。 我々の理論的分析は、穏やかな条件下での一貫性と正規性を確立する。 合成および実世界のデータセットに関する大規模な実験は、T-GINEEが多層ネットワーク解析に有効であることを検証する。
  論文  参考訳（メタデータ） (2026-05-27T10:51:29Z)
• Matrix Factorization Framework for Community Detection under the Degree-Corrected Block Model [48.989531198582704]
  我々は,DCBM推論を制約付き非負行列分解問題として再定義できることを示した。 我々のアプローチは、任意の特定のネットワーク構造に適応し、DCBMで表現可能な任意の構造を持つグラフに適用する。 合成および実ベンチマークネットワークの実験により,本手法はDCBMの推測に匹敵するコミュニティを検出する。
  論文  参考訳（メタデータ） (2026-01-09T19:16:29Z)
• Estimating mixed memberships in multi-layer networks [0.0]
  多層ネットワークにおけるコミュニティ検出は、現代のネットワーク分析の重要な領域として現れてきた。 多層混合メンバシップブロックモデルにおける共通混合メンバシップを推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-05T07:02:10Z)
• Community detection in multiplex networks based on orthogonal nonnegative matrix tri-factorization [26.53951886710295]
  我々は,各層に共通するコミュニティと,各層に固有のコミュニティを識別する,新しい多重化コミュニティ検出手法を導入する。 提案アルゴリズムは, 合成および実多重化の両方で評価し, 最先端技術と比較した。
  論文  参考訳（メタデータ） (2022-05-02T02:33:15Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• Clustering multilayer graphs with missing nodes [4.007017852999008]
  クラスタリングはネットワーク分析における基本的な問題であり、同じ接続プロファイルを持つノードを再グループ化するのが目標である。 異なるノードセット上でレイヤを定義できる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-04T18:56:59Z)
• ALMA: Alternating Minimization Algorithm for Clustering Mixture Multilayer Network [20.888592224540748]
  目標は、多層ネットワークを同様のレイヤのクラスタに分割し、それらのレイヤ内のコミュニティを特定することだ。 本稿では,層分割の同時回復を目的とした交互最小化アルゴリズム (ALMA) を提案する。
  論文  参考訳（メタデータ） (2021-02-20T01:26:55Z)
• Global and Individualized Community Detection in Inhomogeneous Multilayer Networks [14.191073951237772]
  ネットワークアプリケーションでは、同じ主題の集合上で観測される複数のネットワークの形でデータセットを取得することがますます一般的になっている。 このようなデータセットは、各レイヤが別々のネットワーク自身であるマルチレイヤネットワークによってモデル化され、異なるレイヤが関連付けられ、共通の情報を共有することができる。 本稿では,非均質な多層ネットワークモデルを用いたスタイリングによるコミュニティ検出について検討する。
  論文  参考訳（メタデータ） (2020-12-02T02:42:52Z)

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。