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

• Deep Hierarchical Graph Alignment Kernels [16.574634620245487]
  この問題を解決するために,Deep Hierarchical Graph Alignment Kernels (DHGAK)を導入する。 具体的には、関係部分構造は、その深い埋め込み空間におけるクラスタ分布に階層的に整列している。 DHGAKは正の半定値であり、再生ケルネルヒルベルト空間において線形分離性を持つ。
  論文  参考訳（メタデータ） (2024-05-09T05:08:30Z)
• AKBR: Learning Adaptive Kernel-based Representations for Graph Classification [43.87164777893224]
  グラフ分類のための適応カーネルベース表現(AKBR)を学習するための新しいモデルを提案する。 提案手法は,グラフの適応型カーネル行列を構築するために,エンドツーエンドの表現学習モデルを定義することを目的としている。 実験結果から,提案したAKBRモデルは,標準グラフベンチマークにおいて,既存の最先端グラフカーネルやディープラーニング手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-03-24T13:01:05Z)
• 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)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数である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。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• 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)
• 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。