Fugu-MT 論文翻訳(概要): NENET: An Edge Learnable Network for Link Prediction in Scene Text

論文の概要: NENET: An Edge Learnable Network for Link Prediction in Scene Text

arxiv url: http://arxiv.org/abs/2005.12147v1
Date: Mon, 25 May 2020 14:47:16 GMT
ステータス: 処理完了
システム内更新日: 2022-11-29 05:11:52.463165
Title: NENET: An Edge Learnable Network for Link Prediction in Scene Text
Title（参考訳）: NENET: シーンテキストのリンク予測のためのエッジ学習可能なネットワーク
Authors: Mayank Kumar Singh, Sayan Banerjee, Shubhasis Chaudhuri
Abstract要約: ノードとエッジの両方を学習できる新しいグラフニューラルネットワーク(GNN)アーキテクチャを提案する。我々は、よく知られたSynthTextデータセットに概念を示し、最先端の手法と比較してトップ結果を達成する。
参考スコア（独自算出の注目度）: 1.815512110340033
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Text detection in scenes based on deep neural networks have shown promising results. Instead of using word bounding box regression, recent state-of-the-art methods have started focusing on character bounding box and pixel-level prediction. This necessitates the need to link adjacent characters, which we propose in this paper using a novel Graph Neural Network (GNN) architecture that allows us to learn both node and edge features as opposed to only the node features under the typical GNN. The main advantage of using GNN for link prediction lies in its ability to connect characters which are spatially separated and have an arbitrary orientation. We show our concept on the well known SynthText dataset, achieving top results as compared to state-of-the-art methods.
Abstract（参考訳）: ディープニューラルネットワークに基づくシーンにおけるテキスト検出は有望な結果を示している。単語境界ボックス回帰を使う代わりに、最近の最先端手法は文字境界ボックスとピクセルレベルの予測に焦点を当て始めた。本稿では,新しいグラフニューラルネットワーク(gnn)アーキテクチャを用いて,従来のgnn下のノード機能のみとは対照的に,ノード機能とエッジ機能の両方を学習可能にすることを提案する。リンク予測にGNNを使用する主な利点は、空間的に分離され任意の向きを持つ文字を接続できることにある。我々はよく知られたsynthtextデータセットの概念を示し、最先端のメソッドと比較してトップ結果を得る。

関連論文リスト

Efficient Neural Common Neighbor for Temporal Graph Link Prediction [32.41660611941389]
本稿では、時間グラフにおけるリンク予測のためのNCN(Neural Common Neighbor)の時間バージョンであるTNCNを提案する。 TNCNは、各ノードの時間的隣接辞書を動的に更新し、ソースとターゲットノード間のマルチホップ共通辞書を使用して、より効果的なペアワイズ表現を学習する。 5つの大規模実世界のデータセットでモデルを検証し、それらのうち3つで新たな最先端のパフォーマンスを実現することを発見した。
論文参考訳（メタデータ） (2024-06-12T06:45:03Z)
GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-01-17T13:04:23Z)
Learning Scalable Structural Representations for Link Prediction with Bloom Signatures [39.63963077346406]
グラフニューラルネットワーク(GNN)は、リンク予測タスクでサブ最適に実行されることが知られている。本稿では,Bloomシグネチャを用いたGNNのメッセージパッシングフレームワークを拡張し,構造的リンク表現の学習を提案する。提案モデルでは,既存のエッジワイドGNNモデルと同等あるいは優れた性能を実現している。
論文参考訳（メタデータ） (2023-12-28T02:21:40Z)
Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文参考訳（メタデータ） (2023-07-22T04:52:27Z)
Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文参考訳（メタデータ） (2022-12-25T23:19:56Z)
Bring Your Own View: Graph Neural Networks for Link Prediction with Personalized Subgraph Selection [57.34881616131377]
異なるエッジに対して最適なサブグラフを自動,個人的,帰納的に識別するプラグイン・アンド・プレイ・フレームワークとしてパーソナライズされたサブグラフセレクタ(PS2)を導入する。 PS2は二段階最適化問題としてインスタンス化され、効率よく解ける。 GNNLPトレーニングに対する新たなアプローチとして,まずエッジの最適な部分グラフを識別し,次にサンプル部分グラフを用いて推論モデルをトレーニングすることを提案する。
論文参考訳（メタデータ） (2022-12-23T17:30:19Z)
Neo-GNNs: Neighborhood Overlap-aware Graph Neural Networks for Link Prediction [23.545059901853815]
グラフニューラルネットワーク(GNN)は,グラフ構造データの学習に広く応用されている。リンク予測のために隣接重畳された近傍から有用な構造特徴を学習する近傍オーバーラップ対応グラフニューラルネットワーク(Neo-GNN)を提案する。
論文参考訳（メタデータ） (2022-06-09T01:43:49Z)
TextRGNN: Residual Graph Neural Networks for Text Classification [13.912147013558846]
TextRGNNは改良されたGNN構造であり、畳み込みネットワークの深さを深くする残差接続を導入している。我々の構造はより広いノード受容場を得ることができ、ノード特徴の過度な平滑化を効果的に抑制できる。コーパスレベルであれテキストレベルであれ、分類精度を大幅に向上させ、幅広いテキスト分類データセット上でSOTA性能を達成することができる。
論文参考訳（メタデータ） (2021-12-30T13:48:58Z)
Position-Sensing Graph Neural Networks: Proactively Learning Nodes Relative Positions [26.926733376090052]
既存のグラフニューラルネットワーク(GNN)は、メッセージパッシングとアグリゲーションのフレームワークを使用してノードの埋め込みを学習する。本稿では,位置検出型グラフニューラルネットワーク(PSGNN)を提案する。 PSGNNs on average boost AUC more than 14% for pairwise node classification and 18% for link prediction。
論文参考訳（メタデータ） (2021-05-24T15:30:30Z)
Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
論文参考訳（メタデータ） (2020-12-10T22:30:25Z)
EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。 EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
論文参考訳（メタデータ） (2020-01-21T15:51:17Z)

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。