論文の概要: An End-to-End Graph Convolutional Kernel Support Vector Machine
- arxiv url: http://arxiv.org/abs/2003.00226v2
- Date: Tue, 4 Aug 2020 11:35:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 20:17:47.617386
- Title: An End-to-End Graph Convolutional Kernel Support Vector Machine
- Title(参考訳): エンドツーエンドグラフ畳み込みカーネル支援ベクトルマシン
- Authors: Padraig Corcoran
- Abstract要約: グラフ分類のためのカーネルベースサポートベクターマシン(SVM)を提案する。
提案したモデルは、教師付きエンドツーエンドで訓練される。
実験結果から,提案モデルが既存のディープラーニングベースラインモデルよりも優れていることが示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A novel kernel-based support vector machine (SVM) for graph classification is
proposed. The SVM feature space mapping consists of a sequence of graph
convolutional layers, which generates a vector space representation for each
vertex, followed by a pooling layer which generates a reproducing kernel
Hilbert space (RKHS) representation for the graph. The use of a RKHS offers the
ability to implicitly operate in this space using a kernel function without the
computational complexity of explicitly mapping into it. The proposed model is
trained in a supervised end-to-end manner whereby the convolutional layers, the
kernel function and SVM parameters are jointly optimized with respect to a
regularized classification loss. This approach is distinct from existing
kernel-based graph classification models which instead either use feature
engineering or unsupervised learning to define the kernel function.
Experimental results demonstrate that the proposed model outperforms existing
deep learning baseline models on a number of datasets.
- Abstract(参考訳): グラフ分類のための新しいカーネルベースサポートベクトルマシン(SVM)を提案する。
SVM特徴空間マッピングは、頂点ごとにベクトル空間表現を生成する一連のグラフ畳み込み層と、グラフの再生カーネルヒルベルト空間(RKHS)表現を生成するプーリング層から構成される。
RKHSを使用することで、明示的にマッピングする計算の複雑さを伴わずに、カーネル関数を使用して、この空間で暗黙的に操作することができる。
提案手法は,カーネル関数およびSVMパラメータを正規化された分類損失に対して協調的に最適化する,教師付きエンドツーエンド方式で訓練される。
このアプローチは、機能工学またはカーネル関数の定義に教師なし学習を使用する既存のカーネルベースのグラフ分類モデルとは異なる。
実験結果から,提案モデルが既存のディープラーニングベースラインモデルよりも優れていることが示された。
関連論文リスト
- New Equivalences Between Interpolation and SVMs: Kernels and Structured
Features [22.231455330003328]
本稿では、任意のカーネルを再生するヒルベルト空間において、ラベルに対するフレキシブルな生成モデルのクラスでSVPを証明するための新しいフレキシブルな分析フレームワークを提案する。
我々は、SVPが以前の作業でカバーされていない多くの興味深い設定で発生していることを示し、カーネルSVM分類のための新しい一般化結果を証明するためにこれらの結果を活用する。
論文 参考訳(メタデータ) (2023-05-03T17:52:40Z) - Transductive Kernels for Gaussian Processes on Graphs [7.542220697870243]
半教師付き学習のためのノード特徴データ付きグラフ用の新しいカーネルを提案する。
カーネルは、グラフと特徴データを2つの空間として扱うことにより、正規化フレームワークから派生する。
グラフ上のカーネルベースのモデルがどれだけの頻度で設計されているかを示す。
論文 参考訳(メタデータ) (2022-11-28T14:00:50Z) - Graph Kernel Neural Networks [8.040232181565393]
本稿では、グラフ上の内部積を計算するカーネル関数としてグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。
これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。
我々のアーキテクチャは、どんなタイプのグラフカーネルでもプラグインでき、いくつかの解釈可能性を提供する利点がある。
論文 参考訳(メタデータ) (2021-12-14T14:48:08Z) - Why Approximate Matrix Square Root Outperforms Accurate SVD in Global
Covariance Pooling? [59.820507600960745]
本稿では,前方通過のSVDと後方伝播のPad'e近似を用いて勾配を計算する新しいGCPメタ層を提案する。
提案するメタレイヤは,さまざまなCNNモデルに統合され,大規模および微細なデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2021-05-06T08:03:45Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳(メタデータ) (2021-03-25T09:31:41Z) - Action Recognition with Kernel-based Graph Convolutional Networks [14.924672048447338]
learning graph convolutional networks(gcns)は、ディープラーニングを任意の非正規ドメインに一般化することを目的としている。
再生カーネルヒルベルト空間(RKHS)における空間グラフ畳み込みを実現する新しいGCNフレームワークを提案する。
gcnモデルの特長は、学習グラフフィルタの受容野のノードと入力グラフのノードを明示的に認識せずに畳み込みを実現する能力にも関係しています。
論文 参考訳(メタデータ) (2020-12-28T11:02:51Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳(メタデータ) (2020-08-31T08:41:20Z) - 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) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳(メタデータ) (2020-05-16T04:44:29Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳(メタデータ) (2020-02-20T09:53:28Z) - A Hierarchical Transitive-Aligned Graph Kernel for Un-attributed Graphs [11.51839867040302]
我々は、グラフ間の頂点を推移的に整列させることにより、新しいグラフカーネル、すなわち階層的推移型カーネルを開発する。
提案したカーネルは、分類精度の観点から、標準グラフベースのデータセット上で最先端のグラフカーネルより優れている。
論文 参考訳(メタデータ) (2020-02-08T11:46:25Z)
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。