論文の概要: Concise Fuzzy Planar Embedding of Graphs: a Dimensionality Reduction
Approach
- arxiv url: http://arxiv.org/abs/1803.03114v2
- Date: Fri, 15 Dec 2023 16:04:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 20:03:57.683509
- Title: Concise Fuzzy Planar Embedding of Graphs: a Dimensionality Reduction
Approach
- Title(参考訳): グラフの簡潔なファジィ平面埋め込み:次元性低減アプローチ
- Authors: Faisal N. Abu-Khzam, Rana H. Mouawi, Amer Hajj Ahmad and Sergio Thoumi
- Abstract要約: グラフ表現を$k$次元空間にマッピングし、主にユークリッド距離を測定することによって近隣ノードの問い合わせに答える。
答えの正確さは低下するが、ファジィ論理によって補償される。
- 参考スコア(独自算出の注目度): 0.2867517731896504
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The enormous amount of data to be represented using large graphs exceeds in
some cases the resources of a conventional computer. Edges in particular can
take up a considerable amount of memory as compared to the number of nodes.
However, rigorous edge storage might not always be essential to be able to draw
the needed conclusions. A similar problem takes records with many variables and
attempts to extract the most discernible features. It is said that the
``dimension'' of this data is reduced. Following an approach with the same
objective in mind, we can map a graph representation to a $k$-dimensional space
and answer queries of neighboring nodes mainly by measuring Euclidean
distances. The accuracy of our answers would decrease but would be compensated
for by fuzzy logic which gives an idea about the likelihood of error. This
method allows for reasonable representation in memory while maintaining a fair
amount of useful information, and allows for concise embedding in
$k$-dimensional Euclidean space as well as solving some problems without having
to decompress the graph. Of particular interest is the case where $k=2$.
Promising highly accurate experimental results are obtained and reported.
- Abstract(参考訳): 巨大なグラフで表される膨大な量のデータは、場合によっては従来のコンピュータのリソースを超える。
特にエッジは、ノード数と比較してかなりの量のメモリを消費することができる。
しかし、厳密なエッジストレージは必ずしも必要な結論を引き出すのに必須ではないかもしれない。
同様の問題は、多くの変数を持つレコードを取り込み、最も識別可能な特徴を抽出しようとする。
このデータの ` `dimension'' は減少すると言われている。
同じ目的を念頭に置いて、グラフ表現を$k$-次元空間にマッピングし、主にユークリッド距離を測定することによって隣り合うノードの問い合わせに答えることができる。
我々の答えの正確さは低下するが、エラーの可能性についてのアイデアを与えるファジィ論理によって補償される。
この方法では、かなりの量の有用な情報を維持しながら、メモリ内の合理的な表現を可能にし、$k$次元ユークリッド空間に簡潔に埋め込み、グラフを圧縮することなくいくつかの問題を解くことができる。
特に興味深いのは$k=2$の場合である。
高精度な実験結果が得られ報告される。
関連論文リスト
- Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳(メタデータ) (2023-11-29T12:48:33Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-06-14T09:21:15Z) - Tight and fast generalization error bound of graph embedding in metric
space [54.279425319381374]
非ユークリッド計量空間へのグラフ埋め込みは、既存の有界よりもはるかに少ない訓練データを持つユークリッド空間におけるグラフ埋め込みよりも優れていることを示す。
我々の新しい上限は、既存の上限よりもかなり強く速く、最大で$R$と$O(frac1S)$に指数関数できる。
論文 参考訳(メタデータ) (2023-05-13T17:29:18Z) - The Generalized Mean Densest Subgraph Problem [30.33731479053404]
1つのパラメータ$p$でパラメータ化された、高密度なサブグラフ対象の新しいファミリーを導入する。
我々の目的は、標準の高密度部分グラフ問題と特別な場合の最大$k$-coreの両方をキャプチャする。
我々の研究の大きな貢献は、理論と実践の両方において、密接な部分グラフに対する様々な種類の剥離アルゴリズムの性能を分析することである。
論文 参考訳(メタデータ) (2021-06-02T02:58:35Z) - Multi-point dimensionality reduction to improve projection layout
reliability [77.34726150561087]
通常の次元還元(dr)では、m-次元空間(原空間)の各データインスタンスは、d-次元空間(視覚空間)内の一点にマッピングされる。
当社のソリューションであるRed Gray Plusは、通常のDRとグラフ描画技術を組み合わせて構築され、拡張されています。
論文 参考訳(メタデータ) (2021-01-15T17:17:02Z) - Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
我々は高密度サブグラフ発見のための新しい学習問題を導入する。
まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。
そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-06-24T11:37:33Z) - Manifold structure in graph embeddings [6.09170287691728]
本稿では, グラファイトやその他の潜在位置モデルを含む既存のランダムグラフモデルを用いて, データがより低次元の集合の近くに存在することを予測した。
したがって、隠された多様体構造を利用する方法を用いることで、次元の呪いを回避できる。
論文 参考訳(メタデータ) (2020-06-09T10:30:17Z)
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。