Fugu-MT 論文翻訳(概要): On Learning a Hidden Directed Graph with Path Queries

論文の概要: On Learning a Hidden Directed Graph with Path Queries

arxiv url: http://arxiv.org/abs/2002.11541v2
Date: Tue, 16 Mar 2021 05:23:13 GMT
ステータス: 処理完了
システム内更新日: 2022-12-28 15:44:20.272452
Title: On Learning a Hidden Directed Graph with Path Queries
Title（参考訳）: 経路クエリを用いた隠れ方向グラフの学習について
Authors: Mano Vikash Janardhanan, Lev Reyzin
Abstract要約: 経路問合せを用いた有向グラフ再構築の問題点を考察する。ソースノードと宛先ノードの場合、パスクエリは、ソースから隠れたグラフの宛先ノードへの指示されたパスがあるかどうかを返します。
参考スコア（独自算出の注目度）: 3.1981440103815717
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we consider the problem of reconstructing a directed graph using path queries. In this query model of learning, a graph is hidden from the learner, and the learner can access information about it with path queries. For a source and destination node, a path query returns whether there is a directed path from the source to the destination node in the hidden graph. In this paper we first give bounds for learning graphs on $n$ vertices and $k$ strongly connected components. We then study the case of bounded degree directed trees and give new algorithms for learning "almost-trees" -- directed trees to which extra edges have been added. We also give some lower bound constructions justifying our approach.
Abstract（参考訳）: 本稿では,経路クエリを用いて有向グラフを再構成する問題を考える。この学習のクエリモデルでは、グラフは学習者から隠れており、学習者はパスクエリでそれに関する情報にアクセスすることができる。ソースと宛先ノードに対して、パスクエリは、隠れたグラフにソースから宛先ノードへの指示されたパスがあるかどうかを返します。本稿ではまず,n$頂点とk$強連結成分のグラフを学習するための境界を与える。次に、有界次数有向木の場合を研究し、"ほぼ木"を学ぶための新しいアルゴリズムを与えます。また、我々のアプローチを正当化するいくつかの低い境界構造を与えます。

関連論文リスト

GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
論文参考訳（メタデータ） (2024-02-23T08:29:42Z)
PipeNet: Question Answering with Semantic Pruning over Knowledge Graphs [56.5262495514563]
本稿では,雑音の多い計算ノードに対して,グラウンドング・プルーニング・レゾニング・パイプラインを提案する。また,グラフアテンションネットワーク(GAT)をベースとしたサブグラフデータに基づくモジュールを提案する。
論文参考訳（メタデータ） (2024-01-31T01:37:33Z)
Graph Construction using Principal Axis Trees for Simple Graph Convolution [0.6554326244334866]
本稿では,教師なし情報と教師なし情報を用いて隣接行列$A$を構成するグラフ構築方式を提案する。 2つのよく知られたグラフニューラルネットワーク(GNN)上で、このグラフ構築方式を検証した。
論文参考訳（メタデータ） (2023-02-22T12:02:23Z)
Graph Tree Neural Networks [0.43012765978447565]
グラフツリーニューラルネットワーク(GTNN)は、人間のニューラルネットワークの構造を分析することによって、既存のネットワークの問題を解決するように設計されている。 GTNNでは、情報ユニットはグラフの形式と関連付けられ、その後再び大きな情報の単位となり、他の情報ユニットと関係を持つ。
論文参考訳（メタデータ） (2021-10-31T07:58:00Z)
A deep learning guided memetic framework for graph coloring problems [15.426481600285724]
グラフカラー化のための"古典的"メタヒューリスティックス(classical metaheuristics)の最高のツールと、ディープニューラルネットワークを組み合わせた新しいフレームワークを提案する。アルゴリズムにおけるディープラーニングの寄与についての研究は、この問題に対するより良い解を得るのに有用な関連パターンを学習することが可能であることを強調している。
論文参考訳（メタデータ） (2021-09-13T13:17:41Z)
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)
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)
Learning Graph Structure With A Finite-State Automaton Layer [31.028101360041227]
本研究は,本質的なグラフ構造から抽象的関係を導出する学習の課題について考察する。この問題を緩和して有限状態オートマトンポリシーを学習することで、これらの関係をエンドツーエンドで学習する方法を示す。我々は,このレイヤがグリッドワールドグラフのショートカットを見つけ,Pythonプログラム上で単純な静的解析を再現できることを実証した。
論文参考訳（メタデータ） (2020-07-09T17:01:34Z)
Modeling Graph Structure via Relative Position for Text Generation from Knowledge Graphs [54.176285420428776]
グラフ-テキスト生成のための新しいトランスフォーマーベースのエンコーダデコーダアーキテクチャであるGraformerを提案する。新たなグラフの自己アテンションでは、ノードのエンコーディングは入力グラフのすべてのノードに依存します。グレーフォーマーは、これらのノード-ノードの関係を異なるアテンションヘッドに対して異なる重み付けを学習し、入力グラフの異なる連結ビューを仮想的に学習する。
論文参考訳（メタデータ） (2020-06-16T15:20:04Z)
Tree++: Truncated Tree Based Graph Kernels [5.819012768798548]
グラフカーネルはグラフをサブ構造に分解し、これらのサブ構造を比較するためにしばしば使用される。この問題に対処するため,本論文ではTree++と呼ばれる新しいグラフカーネルを提案する。 Tree++は、以前のグラフカーネルと比較して、最高の分類精度を実現している。
論文参考訳（メタデータ） (2020-02-23T07:07:10Z)
Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。