論文の概要: Nonlinear Higher-Order Label Spreading

• arxiv url: http://arxiv.org/abs/2006.04762v1
• Date: Mon, 8 Jun 2020 17:29:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 01:43:42.251054
• Title: Nonlinear Higher-Order Label Spreading
• Title（参考訳）: 非線形高次ラベル展開
• Authors: Francesco Tudisco, Austin R. Benson, Konstantin Prokopchik
• Abstract要約: 制約付き半教師付き損失関数の大域的解に対する非線形高階ラベル拡散アルゴリズムの収束性を証明する。 さまざまなポイントクラウドとネットワークデータセットに対して,このアプローチの有効性と有効性を示す。
• 参考スコア（独自算出の注目度）: 30.315829440115824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Label spreading is a general technique for semi-supervised learning with point cloud or network data, which can be interpreted as a diffusion of labels on a graph. While there are many variants of label spreading, nearly all of them are linear models, where the incoming information to a node is a weighted sum of information from neighboring nodes. Here, we add nonlinearity to label spreading through nonlinear functions of higher-order structure in the graph, namely triangles in the graph. For a broad class of nonlinear functions, we prove convergence of our nonlinear higher-order label spreading algorithm to the global solution of a constrained semi-supervised loss function. We demonstrate the efficiency and efficacy of our approach on a variety of point cloud and network datasets, where the nonlinear higher-order model compares favorably to classical label spreading, as well as hypergraph models and graph neural networks.
• Abstract（参考訳）: ラベル拡散は、ポイントクラウドやネットワークデータを用いた半教師付き学習の一般的なテクニックであり、グラフ上のラベルの拡散と解釈できる。 ラベルの拡散には多くのバリエーションがあるが、ほとんど全てが線形モデルであり、ノードへの入力情報は近隣ノードからの情報の重み付けされた和である。 ここでは、グラフの高階構造、すなわちグラフの三角形の非線形関数によるラベル拡散に非線形性を加える。 非線形関数の幅広いクラスについて、制約付き半教師付き損失関数の大域解への非線形高階ラベル拡散アルゴリズムの収束を証明する。 我々は,非線形高次モデルが古典的ラベル拡散やハイパーグラフモデルやグラフニューラルネットワークと好適な比較を行う,様々なポイントクラウドやネットワークデータセットにおいて,このアプローチの効率性と有効性を示す。

関連論文リスト

• You do not have to train Graph Neural Networks at all on text-attributed graphs [25.044734252779975]
  我々は、同じクラスからのテキストエンコーディングがしばしば線形部分空間に集約されるという観察に乗じて、線形GNNモデルであるTrainlessGNNを紹介した。 実験の結果、私たちのトレインレスモデルは、従来の訓練済みのモデルにマッチするか、超えられることがわかった。
  論文  参考訳（メタデータ） (2024-04-17T02:52:11Z)
• Learning to Approximate Adaptive Kernel Convolution on Graphs [4.434835769977399]
  本稿では,拡散カーネルのスケールによって特徴集約の範囲を制御できる拡散学習フレームワークを提案する。 本モデルは,最先端データセットの性能評価のためのノードワイズ分類のための様々な標準で検証されている。 グラフ分類のための実世界の脳ネットワークデータにも検証され、アルツハイマー分類の実用性を実証している。
  論文  参考訳（メタデータ） (2024-01-22T10:57:11Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Towards Semi-supervised Universal Graph Classification [6.339931887475018]
  半教師付き普遍グラフ分類の問題について検討する。 ラベルの不足と潜在的なクラスシフトのため、この問題は難しい。 サブグラフの観点からラベル付けされていないデータを最大限に活用する新しいグラフニューラルネットワークフレームワークUGNNを提案する。
  論文  参考訳（メタデータ） (2023-05-31T06:58:34Z)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• A nonlinear diffusion method for semi-supervised learning on hypergraphs [30.41251351699783]
  ハイパーグラフ半教師付き学習は、わずか数ノードのラベルを与えられたハイパーグラフのすべてのノードにラベルを割り当てる問題である。 ハイパーグラフ構造に従う特徴とラベルの両方を拡散するハイパーグラフ上の非線形拡散過程を開発する。 このアプローチは、複数のハイパーグラフニューラルネットワークよりもはるかに正確で、トレーニングに要する時間も少なくなります。
  論文  参考訳（メタデータ） (2021-03-27T09:54:16Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Anisotropic Graph Convolutional Network for Semi-supervised Learning [7.843067454030999]
  グラフ畳み込みネットワークは、高精度な予測結果を達成するのに有用であることが証明された効率的なノード埋め込みを学習する。 これらのネットワークはグラフの過度な平滑化と縮小効果の問題に悩まされており、それはグラフの端に線形ラプラシア流を用いて拡散するからである。 本稿では,ノードからの情報的特徴を捉える非線形関数を導入し,過度なスムーシングを防止し,半教師付きノード分類のための異方性グラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T13:56:03Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
  グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。 グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。 本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。