文献

J-GLOBAL ID：202102217244410061   整理番号：21A0564369

深層適応グラフ最大化による属性グラフクラスタリング【JST・京大機械翻訳】

Attributed Graph Clustering via Deep Adaptive Graph Maximization

著者 (4件)： Fatemi Bahareh (University of Tehran,Faculty of New Science and Technologies,Tehran,Iran) ,  Molaei Soheila (University of Tehran,Faculty of New Science and Technologies,Tehran,Iran) ,  Zare Hadi (University of Tehran,Faculty of New Science and Technologies,Tehran,Iran) ,  Veisi Hadi (University of Tehran,Faculty of New Science and Technologies,Tehran,Iran)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICCKE  ページ： 376-381  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ソーシャルネットワークの人気の増大により,隠れビルディングブロックとそれらのコミュニティ構造の検出と発見が,グラフ(ネットワーク)ベースのデータ構造に関する主要なタスクとして考えられている。グラフクラスタリングは,入力グラフのトポロジーとコンテンツデータの同時寄与を必要とするので,挑戦的なタスクとして考えられている。グラフ畳込みニューラルネットワーク(GCNs)は,ネットワークの構造とコンテンツ情報の両者を併合することにより,グラフ表現学習の領域において顕著な電力を実証した。GCNベースのクラスタリング法は,グラフクラスタリングのための最先端の代替解決策として使用されているが,これらの方法は,各ノードの局所近傍を考慮して,ネットワークの大域的構造情報を捉えることができない。ここでは,ノードコンテンツとともにグラフベースデータの局所および大域構造を抽出することを可能にする統合新規グラフ畳込みクラスタリング手法を提案した。3つの実世界ベンチマーク情報ネットワークに関する実験的研究は,提案アプローチを承認し,提案手法がグラフクラスタリングとリンク予測タスクにおいて,ベースライン法よりも顕著に優れていることを確認した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 位相幾何学 ,  畳込み ,  学習 ,  データ構造 ,  電力 ,  ネットワーク ,  情報ネットワーク ,  基準線 ,  深層 ,  ベンチマーク ,  *コンテンツ
準シソーラス用語： ビルディングブロック ,  社会的ネットワーク ,  グラフクラスタ化 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 深層 ,  適応 ,  グラフ ,  最大化 ,  属性 ,  グラフクラスタリング