論文の概要: Proximity Preserving Binary Code using Signed Graph-Cut

• arxiv url: http://arxiv.org/abs/2002.01793v1
• Date: Wed, 5 Feb 2020 13:58:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 20:42:43.940127
• Title: Proximity Preserving Binary Code using Signed Graph-Cut
• Title（参考訳）: 符号付きグラフカットを用いた近接保存バイナリコード
• Authors: Inbal Lav, Shai Avidan, Yoram Singer, Yacov Hel-Or
• Abstract要約: 本稿では,PPC(Proximity Preserving Code)と呼ばれるバイナリ埋め込みフレームワークを紹介し,データポイント間の類似性と相似性を学習し,コンパクトで親和性に配慮したバイナリコードを生成する。 提案手法は, 精度と複雑性の両面において, 一般的なスペクトル法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 27.098042566421963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a binary embedding framework, called Proximity Preserving Code (PPC), which learns similarity and dissimilarity between data points to create a compact and affinity-preserving binary code. This code can be used to apply fast and memory-efficient approximation to nearest-neighbor searches. Our framework is flexible, enabling different proximity definitions between data points. In contrast to previous methods that extract binary codes based on unsigned graph partitioning, our system models the attractive and repulsive forces in the data by incorporating positive and negative graph weights. The proposed framework is shown to boil down to finding the minimal cut of a signed graph, a problem known to be NP-hard. We offer an efficient approximation and achieve superior results by constructing the code bit after bit. We show that the proposed approximation is superior to the commonly used spectral methods with respect to both accuracy and complexity. Thus, it is useful for many other problems that can be translated into signed graph cut.
• Abstract（参考訳）: 我々は,データポイント間の類似性と類似性を学習し,コンパクトで親和性の高いバイナリコードを生成する,近接保存コード(ppc)と呼ばれるバイナリ埋め込みフレームワークを導入する。 このコードは、最寄りの探索に高速でメモリ効率の良い近似を適用するために使用できる。 私たちのフレームワークは柔軟で、データポイント間で異なる近接定義を可能にします。 符号のないグラフ分割に基づいてバイナリコードを抽出する従来の手法とは対照的に、我々のシステムは正と負のグラフ重みを組み込むことで、データの魅力と反発力をモデル化する。 提案したフレームワークは、NPハード(NP-hard)として知られる符号付きグラフの最小カットを見つけることに起因している。 効率の良い近似を提供し,コードビットをビット後に構築することで優れた結果を得る。 提案手法は, 精度と複雑さの両方において, 一般的なスペクトル法よりも優れていることを示す。 したがって、これは符号付きグラフカットに変換できる他の多くの問題に有用である。

関連論文リスト

• Convolutional Signal Propagation: A Simple Scalable Algorithm for Hypergraphs [0.13654846342364302]
  本稿では,両部グラフ(ハイパーグラフ)で動作する非パラメトリック単純かつスケーラブルな方法である畳み込み信号伝搬(CSP)を提案する。 計算複雑性を低く保ちながら,CSPが競争性能を提供することを示す。 ハイパーグラフの操作にもかかわらず、CSPは自然言語処理のようなハイパーグラフに関連のないタスクで良い結果を得る。
  論文  参考訳（メタデータ） (2024-09-26T08:22:09Z)
• Factor Graph Optimization of Error-Correcting Codes for Belief Propagation Decoding [62.25533750469467]
  低密度パリティ・チェック (LDPC) コードは、他の種類のコードに対していくつかの利点がある。 提案手法は,既存の人気符号の復号性能を桁違いに向上させる。
  論文  参考訳（メタデータ） (2024-06-09T12:08:56Z)
• Differentiable Proximal Graph Matching [40.41380102260085]
  微分可能近位グラフマッチング(DPGM)と呼ばれる近位演算子に基づくグラフマッチングアルゴリズムを提案する。 アルゴリズム全体をグラフ親和性行列からノード対応の予測への微分可能な写像とみなすことができる。 数値実験により、PGMは様々なデータセット上で既存のグラフマッチングアルゴリズムより優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-26T08:17:13Z)
• 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)
• Graph-Collaborated Auto-Encoder Hashing for Multi-view Binary Clustering [11.082316688429641]
  マルチビューバイナリクラスタリングのための自動エンコーダに基づくハッシュアルゴリズムを提案する。 具体的には,低ランク制約を用いた多視点親和性グラフ学習モデルを提案する。 また、複数の親和性グラフを協調して協調するエンコーダ・デコーダのパラダイムを設計し、統一されたバイナリコードを効果的に学習する。
  論文  参考訳（メタデータ） (2023-01-06T12:43:13Z)
• Graph Encoder Embedding [11.980640637972266]
  本稿では,高速なグラフエンコーダ埋め込み方式を提案する。 提案手法は、線形計算複雑性と、標準PC上で数分で数十億のエッジを処理する能力を有する。 スピードアップは埋め込み性能を犠牲にすることなく達成される。
  論文  参考訳（メタデータ） (2021-09-27T14:49:44Z)
• Partition and Code: learning how to compress graphs [50.29024357495154]
  まず、分割アルゴリズムがグラフを基本構造に分解し、これらを確率分布を学習する小さな辞書の要素にマッピングし、エントロピーエンコーダが表現をビットに変換する。 提案アルゴリズムは,非パラメトリックおよびパラメトリックグラフ圧縮器の異なるファミリーに対して,多種多様な実世界のネットワーク上で定量的に評価し,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2021-07-05T11:41:16Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• Auto-Encoding Twin-Bottleneck Hashing [141.5378966676885]
  本稿では,効率よく適応的なコード駆動グラフを提案する。 自動エンコーダのコンテキストでデコードすることで更新される。 ベンチマークデータセットの実験は、最先端のハッシュ手法よりもフレームワークの方が優れていることを明らかに示しています。
  論文  参考訳（メタデータ） (2020-02-27T05:58:12Z)

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。