抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
無向グラフは,ソーシャルネットワーク,脳活動および通信ネットワークのような相互作用オブジェクトを扱う現象をモデル化するために頻繁に使用される。無向グラフGのトポロジーは隣接行列によって捉えることができる。このマトリックスは,グラフ構造への洞察を得るために直接可視化できる。そのようなマトリックス可視化において,視覚パターンが現れるのは,その列と列の秩序化に決定的に依存する。規則の品質を形式的に定義し,次に,高品質規則化を自動的に計算することは,両方の挑戦的な問題である。しかし,有効な発見的方法が存在し,実際に使用されている。しばしば,グラフは分離には存在しなかったが,同じ頂点集合,例えば,時間または異なる人々の脳スキャンに関するグラフの収集の一部としては存在しなかった。このようなグラフ収集を可視化するため,全ての行列に対して同時に動作する単一順序付けが必要である。現在の最先端は,すべてのグラフ上で(加重)結合を取り上げ,既存の発見的方法を適用することにより,この問題を解決する。しかし,この結合は,特に異なるグラフの部分において,情報の損失をもたらす。この情報損失を回避し,2つの一般的な発見的方法(葉次数と重心)に適用するための収集意識手法を提案した。マトリックス順序付けのためのデファクト標準計算品質計量は,ブロック対角パターン(クリーク)のみを捕捉した。代わりに,確立されたパターンの全範囲を捕捉する空間自己相関メトリックであるMoranのIを使用することを提案する。MoranのIは以前に提案した応力測度を精密化する。さらに,一般的な葉次数法は,この文脈でMoranのIの使用をさらに支持する類似の測度を発見的に最適化する。Moran’s Iを最大化する順序は,巡回セールス人問題(TSP)に対する解によって計算できる。最適秩序化を近似する順序は,メトリックTSPのための近似アルゴリズムのいずれかを用いて,より効率的に計算できる。MoranのIを品質計量として,実世界データセットの同時順序付けのための方法を評価した。結果は,収集におけるグラフの類似性に依存して,著者らの収集意識アプローチが,結合アプローチと比較して,性能を改善し,改善することを示した。特に,MoranのIベース収集意識葉次数実装は,他の実装を一貫して凌駕する。著者らの収集意識実装は,有意な付加的計算コストを行わなかった。Copyright 2022 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】
