Clustering in Partially Labeled Stochastic Block Models via Total Variation Minimization

Alexander Jung*

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

2 Sitaatiot (Scopus)

Abstrakti

A main task in data analysis is to organize data points into coherent groups or clusters. The stochastic block model is a probabilistic model for the cluster structure. This model prescribes different probabilities for the presence of edges within a cluster and between different clusters. We assume that the cluster assignments are known for at least one data point in each cluster. In such a partially labeled stochastic block model, clustering amounts to estimating the cluster assignments of the remaining data points. We study total variation minimization as a method for this clustering task. We implement the resulting clustering algorithm as a highly scalable message passing protocol. We also provide a condition on the model parameters such that total variation minimization allows for accurate clustering.

AlkuperäiskieliEnglanti
OtsikkoConference Record of the 54th Asilomar Conference on Signals, Systems and Computers, ACSSC 2020
ToimittajatMichael B. Matthews
KustantajaIEEE
Sivut731-735
Sivumäärä5
ISBN (elektroninen)9780738131269
DOI - pysyväislinkit
TilaJulkaistu - 1 marrask. 2020
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaAsilomar Conference on Signals, Systems & Computers - Pacific Grove, Yhdysvallat
Kesto: 1 marrask. 20205 marrask. 2020
Konferenssinumero: 54

Julkaisusarja

NimiConference Record - Asilomar Conference on Signals, Systems and Computers
KustantajaIEEE Computer Society
Vuosikerta2020-November
ISSN (painettu)1058-6393

Conference

ConferenceAsilomar Conference on Signals, Systems & Computers
LyhennettäACSSC
Maa/AlueYhdysvallat
KaupunkiPacific Grove
Ajanjakso01/11/202005/11/2020

Sormenjälki

Sukella tutkimusaiheisiin 'Clustering in Partially Labeled Stochastic Block Models via Total Variation Minimization'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä