論文の概要: Distance Metric Learning for Graph Structured Data

• arxiv url: http://arxiv.org/abs/2002.00727v2
• Date: Thu, 17 Jun 2021 06:22:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 08:21:18.789906
• Title: Distance Metric Learning for Graph Structured Data
• Title（参考訳）: グラフ構造化データの距離メトリック学習
• Authors: Tomoki Yoshida, Ichiro Takeuchi, Masayuki Karasuyama
• Abstract要約: グラフ分類問題に対する教師付き距離メトリック学習法を提案する。 本手法は,IGML (Interpretable graph metric learning) と命名され,サブグラフに基づく特徴空間における識別的指標を学習する。 いくつかのベンチマークデータセットを用いて,IGMLの計算効率と分類性能を実験的に評価した。
• 参考スコア（独自算出の注目度）: 23.3700989820887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphs are versatile tools for representing structured data. As a result, a variety of machine learning methods have been studied for graph data analysis. Although many such learning methods depend on the measurement of differences between input graphs, defining an appropriate distance metric for graphs remains a controversial issue. Hence, we propose a supervised distance metric learning method for the graph classification problem. Our method, named interpretable graph metric learning (IGML), learns discriminative metrics in a subgraph-based feature space, which has a strong graph representation capability. By introducing a sparsity-inducing penalty on the weight of each subgraph, IGML can identify a small number of important subgraphs that can provide insight into the given classification task. Because our formulation has a large number of optimization variables, an efficient algorithm that uses pruning techniques based on safe screening and working set selection methods is also proposed. An important property of IGML is that solution optimality is guaranteed because the problem is formulated as a convex problem and our pruning strategies only discard unnecessary subgraphs. Furthermore, we show that IGML is also applicable to other structured data such as itemset and sequence data, and that it can incorporate vertex-label similarity by using a transportation-based subgraph feature. We empirically evaluate the computational efficiency and classification performance of IGML on several benchmark datasets and provide some illustrative examples of how IGML identifies important subgraphs from a given graph dataset.
• Abstract（参考訳）: グラフは構造化データを表現する汎用ツールである。 その結果、グラフデータ分析のために様々な機械学習手法が研究されている。 このような学習方法は入力グラフ間の差分の測定に依存するが、グラフの適切な距離メートル法を定義することは議論の余地がある。 そこで我々は,グラフ分類問題に対する教師付き距離メトリック学習法を提案する。 本手法は,強力なグラフ表現能力を有するサブグラフに基づく特徴空間において,識別的メトリクスを学習する。 IGMLは各サブグラフの重み付けにスパーシリティ誘導ペナルティを導入することで、与えられた分類タスクに関する洞察を与えることができる少数の重要なサブグラフを識別することができる。 我々の定式化には多数の最適化変数があるため、安全なスクリーニングと作業セット選択法に基づくプルーニング手法を用いた効率的なアルゴリズムも提案されている。 IGML の重要な特徴は,この問題が凸問題として定式化され,不必要な部分グラフのみを廃棄するので,解の最適性を保証することである。 さらに,igmlはアイテムセットやシーケンスデータといった他の構造化データにも適用可能であり,トランスポーテーションベースのサブグラフ機能を用いて頂点ラベル類似性を組み込むことができることを示した。 いくつかのベンチマークデータセット上でIGMLの計算効率と分類性能を実証的に評価し、IGMLがグラフデータセットから重要な部分グラフをどう識別するかを例示する。

関連論文リスト

• Learning Attributed Graphlets: Predictive Graph Mining by Graphlets with Trainable Attribute [4.14034448023832]
  本稿では,LAGRA(Learning Attributed GRAphlets)と呼ばれる属性付きグラフデータの解釈可能な分類アルゴリズムを提案する。 LAGRAは、属性グラフレット(AG)と呼ばれる小さな属性グラフの重み付けを同時に学習し、属性ベクトルを最適化する。 LAGRAが既存のアルゴリズムよりも優れているか同等の予測性能を持つことを実証的に実証した。
  論文  参考訳（メタデータ） (2024-02-10T12:10:13Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• A simple way to learn metrics between attributed graphs [11.207372645301094]
  トレーニング可能なパラメータがほとんどないSGMLモデルを提案する。 このモデルにより、ラベル付き(分散)グラフのデータベースから適切な距離を構築することができ、単純な分類アルゴリズムの性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-09-26T14:32:38Z)
• A Comprehensive Analytical Survey on Unsupervised and Semi-Supervised Graph Representation Learning Methods [4.486285347896372]
  本調査は,グラフ埋め込み手法のすべての主要なクラスを評価することを目的としている。 我々は,手動の特徴工学,行列分解,浅部ニューラルネットワーク,深部グラフ畳み込みネットワークなどの手法を含む分類学を用いてグラフ埋め込み手法を編成した。 我々はPyTorch GeometricおよびDGLライブラリ上で実験を設計し、異なるマルチコアCPUおよびGPUプラットフォーム上で実験を行った。
  論文  参考訳（メタデータ） (2021-12-20T07:50:26Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
  本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。 SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
  論文  参考訳（メタデータ） (2021-03-05T09:03:03Z)
• Graph topology inference benchmarks for machine learning [16.857405938139525]
  本稿では,グラフ推論手法の相対的メリットと限界を明らかにするために,いくつかのベンチマークを導入する。 我々はまた、文学において最も顕著な技法のいくつかを対比している。
  論文  参考訳（メタデータ） (2020-07-16T09:40:32Z)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)
• Data-Driven Factor Graphs for Deep Symbol Detection [107.63351413549992]
  本稿では,因子グラフ法をデータ駆動方式で実装することを提案する。 特に,機械学習(ML)ツールを用いて因子グラフの学習を提案する。 我々は,BCJRNetと呼ばれる提案システムにおいて,BCJRアルゴリズムを小さなトレーニングセットから実装することを実証した。
  論文  参考訳（メタデータ） (2020-01-31T09:23:52Z)

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。