Fugu-MT 論文翻訳(概要): Fast and Scalable Complex Network Descriptor Using PageRank and Persistent Homology

論文の概要: Fast and Scalable Complex Network Descriptor Using PageRank and Persistent Homology

arxiv url: http://arxiv.org/abs/2002.05158v2
Date: Sat, 12 Sep 2020 03:33:20 GMT
ステータス: 処理完了
システム内更新日: 2023-01-01 19:03:32.167871
Title: Fast and Scalable Complex Network Descriptor Using PageRank and Persistent Homology
Title（参考訳）: PageRank と Persistent Homology を用いた高速かつスケーラブルな複雑ネットワーク記述子
Authors: Mustafa Hajij, Elizabeth Munch, Paul Rosen
Abstract要約: 我々はPageRank関数と永続ホモロジーを使ってスケーラブルなグラフ記述子を得る。複数の形状メッシュデータセットを用いて,本手法の有効性を示す。
参考スコア（独自算出の注目度）: 6.909688694501239
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The PageRank of a graph is a scalar function defined on the node set of the graph which encodes nodes centrality information of the graph. In this article, we use the PageRank function along with persistent homology to obtain a scalable graph descriptor and utilize it to compare the similarities between graphs. For a given graph $G(V,E)$, our descriptor can be computed in $O(|E|\alpha(|V|))$, where $\alpha$ is the inverse Ackermann function which makes it scalable and computable on massive graphs. We show the effectiveness of our method by utilizing it on multiple shape mesh datasets.
Abstract（参考訳）: グラフのページランク(英: PageRank)は、グラフのノード集合上に定義されたスカラー関数であり、グラフのノード集中情報を符号化する。本稿では,pagerank関数と永続ホモロジーを用いてスケーラブルなグラフ記述子を取得し,グラフ間の類似性を比較する。与えられたグラフ $G(V,E)$ に対して、我々の記述子は $O(|E|\alpha(|V|))$ で計算できる。本手法は,複数のシェープメッシュデータセット上での利用により,その効果を示す。

関連論文リスト

CliquePH: Higher-Order Information for Graph Neural Networks through Persistent Homology on Clique Graphs [15.044471983688249]
本稿では,グラフ内の高次構造に関する情報を抽出する新しい手法を提案する。テスト精度は最大で31%向上する。
論文参考訳（メタデータ） (2024-09-12T16:56:26Z)
Graph Parsing Networks [64.5041886737007]
本稿では,効率的なグラフ解析アルゴリズムを提案する。結果として得られるグラフパーシングネットワーク(GPN)は、個々のグラフに対してパーソナライズされたプーリング構造を適応的に学習する。
論文参考訳（メタデータ） (2024-02-22T09:08:36Z)
Graph Mixup with Soft Alignments [49.61520432554505]
本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
論文参考訳（メタデータ） (2023-06-11T22:04:28Z)
AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph Convolution [79.44066256794187]
我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
論文参考訳（メタデータ） (2021-11-12T07:08:13Z)
Online Graph Dictionary Learning [10.394615068526505]
本論文では,Gromov Wassersteinの発散をデータフィッティング用語として用いるオンライングラフ辞書学習手法を提案する。私たちの研究では、グラフはノードの対関係を通じてエンコードされ、グラフ原子の凸結合としてモデル化されます。私たちのアプローチはラベル付きグラフに自然に拡張され、埋め込み空間におけるGromov Wassersteinの高速近似として使用できる新しい上界によって完了されます。
論文参考訳（メタデータ） (2021-02-12T14:39:28Z)
Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文参考訳（メタデータ） (2020-11-19T06:03:35Z)
Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文参考訳（メタデータ） (2020-07-12T12:06:17Z)
Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2020-07-08T19:48:19Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)

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。