論文の概要: Embedding Directed Graphs in Potential Fields Using FastMap-D

• arxiv url: http://arxiv.org/abs/2006.03112v1
• Date: Thu, 4 Jun 2020 19:50:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 09:34:01.777557
• Title: Embedding Directed Graphs in Potential Fields Using FastMap-D
• Title（参考訳）: fastmap-dを用いた有向グラフのポテンシャル場への埋め込み
• Authors: Sriram Gopalakrishnan, Liron Cohen, Sven Koenig, T.K. Satish Kumar
• Abstract要約: 有向グラフに対するFastMapの効率的な一般化であるFastMap-Dを提案する。 FastMap-D は、有界場を用いて頂点を埋め込み、有向グラフの対距離の間の非対称性を捉える。 様々な種類の有向グラフの実験において、他のアプローチに対するFastMap-Dの利点を実証する。
• 参考スコア（独自算出の注目度）: 24.525270899573734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embedding undirected graphs in a Euclidean space has many computational benefits. FastMap is an efficient embedding algorithm that facilitates a geometric interpretation of problems posed on undirected graphs. However, Euclidean distances are inherently symmetric and, thus, Euclidean embeddings cannot be used for directed graphs. In this paper, we present FastMap-D, an efficient generalization of FastMap to directed graphs. FastMap-D embeds vertices using a potential field to capture the asymmetry between the pairwise distances in directed graphs. FastMap-D learns a potential function to define the potential field using a machine learning module. In experiments on various kinds of directed graphs, we demonstrate the advantage of FastMap-D over other approaches.
• Abstract（参考訳）: ユークリッド空間に無向グラフを埋め込むことは多くの計算上の利点がある。 fastmapは非向グラフ上の問題に対する幾何学的解釈を容易にする効率的な埋め込みアルゴリズムである。 しかし、ユークリッド距離は本質的に対称であり、したがってユークリッド埋め込みは有向グラフには使用できない。 本稿では,FastMapの有向グラフへの効率的な一般化であるFastMap-Dを提案する。 fastmap-d はポテンシャル場を用いて頂点を埋め込み、有向グラフの対距離間の非対称性を捉える。 FastMap-Dは、機械学習モジュールを使用して潜在的フィールドを定義するポテンシャル関数を学習する。 種々の有向グラフの実験において、他のアプローチに対するFastMap-Dの利点を実証する。

関連論文リスト

• MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
  学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。 最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。 本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
  論文  参考訳（メタデータ） (2024-01-10T07:58:44Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• Exploiting Edge Features in Graphs with Fused Network Gromov-Wasserstein Distance [18.522233517515975]
  ノードとエッジが特徴を持つグラフを比較するために,Gromov-Wasserstein距離の拡張を導入する。 入力空間または出力空間でグラフが発生する学習タスクにおいて、新しい距離の有効性を実証的に示す。
  論文  参考訳（メタデータ） (2023-09-28T17:05:03Z)
• Tight and fast generalization error bound of graph embedding in metric space [54.279425319381374]
  非ユークリッド計量空間へのグラフ埋め込みは、既存の有界よりもはるかに少ない訓練データを持つユークリッド空間におけるグラフ埋め込みよりも優れていることを示す。 我々の新しい上限は、既存の上限よりもかなり強く速く、最大で$R$と$O(frac1S)$に指数関数できる。
  論文  参考訳（メタデータ） (2023-05-13T17:29:18Z)
• Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
  点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。 第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
  論文  参考訳（メタデータ） (2023-02-02T08:33:36Z)
• Primitive Graph Learning for Unified Vector Mapping [14.20286798139897]
  GraphMapperは、衛星画像からエンドツーエンドのベクトルマップを抽出するための統合フレームワークである。 ベクトル形状予測,正規化,トポロジー再構成を独自の原始グラフ学習問題に変換する。 提案手法は,両タスクをベンチマークで8～10%向上させる。
  論文  参考訳（メタデータ） (2022-06-28T12:33:18Z)
• FastMapSVM: Classifying Complex Objects Using the FastMap Algorithm and Support-Vector Machines [12.728875331529345]
  我々は、複雑なオブジェクトを分類する新しいフレームワークであるFastMapSVMを紹介する。 FastMapSVMは、FastMapとSupport-Map Machinesの強みを組み合わせたものだ。 FastMapSVMのパフォーマンスは他の最先端のメソッドと同等であることを示す。
  論文  参考訳（メタデータ） (2022-04-07T18:01:16Z)
• 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)
• 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)
• Wasserstein Embedding for Graph Learning [33.90471037116372]
  Wasserstein Embedding for Graph Learning (WEGL)は、グラフ全体をベクトル空間に埋め込むフレームワークである。 グラフ間の類似性をノード埋め込み分布間の類似性の関数として定義する上で,新たな知見を活用する。 各種ベンチマークグラフ固有性予測タスクにおける新しいグラフ埋め込み手法の評価を行った。
  論文  参考訳（メタデータ） (2020-06-16T18:23:00Z)

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。