論文の概要: Gaussian Processes on Graphs via Spectral Kernel Learning

• arxiv url: http://arxiv.org/abs/2006.07361v3
• Date: Wed, 28 Oct 2020 10:57:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 03:51:57.473480
• Title: Gaussian Processes on Graphs via Spectral Kernel Learning
• Title（参考訳）: スペクトルカーネル学習によるグラフ上のガウス過程
• Authors: Yin-Cong Zhi, Yin Cheng Ng, Xiaowen Dong
• Abstract要約: グラフのノード上で定義された信号の予測のためのグラフスペクトルに基づくガウス過程を提案する。 合成実験におけるモデルの解釈可能性を示し、様々な基底真理スペクトルフィルタを精度良く回収できることを示す。
• 参考スコア（独自算出の注目度）: 9.260186030255081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a graph spectrum-based Gaussian process for prediction of signals defined on nodes of the graph. The model is designed to capture various graph signal structures through a highly adaptive kernel that incorporates a flexible polynomial function in the graph spectral domain. Unlike most existing approaches, we propose to learn such a spectral kernel, where the polynomial setup enables learning without the need for eigen-decomposition of the graph Laplacian. In addition, this kernel has the interpretability of graph filtering achieved by a bespoke maximum likelihood learning algorithm that enforces the positivity of the spectrum. We demonstrate the interpretability of the model in synthetic experiments from which we show the various ground truth spectral filters can be accurately recovered, and the adaptability translates to superior performances in the prediction of real-world graph data of various characteristics.
• Abstract（参考訳）: グラフのノード上で定義された信号の予測のためのグラフスペクトルに基づくガウス過程を提案する。 このモデルは、グラフスペクトル領域に柔軟な多項式関数を組み込んだ高適応カーネルを通じて、様々なグラフ信号構造をキャプチャするように設計されている。 既存の手法と異なり、多項式設定によってグラフラプラシアンの固有分解を必要とせずに学習できるようなスペクトルカーネルを学習することを提案する。 さらに、このカーネルは、スペクトルの肯定性を強制する分岐最大度学習アルゴリズムによって達成されるグラフフィルタリングの解釈可能性を有する。 合成実験では, 様々な基底真理スペクトルフィルタを精度良く復元できることを示すとともに, 適応性は, 種々の特性を持つ実世界のグラフデータの予測において, 優れた性能を示す。

関連論文リスト

• Graph Generation via Spectral Diffusion [51.60814773299899]
  本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。 具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。 我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
  論文  参考訳（メタデータ） (2024-02-29T09:26:46Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Graph Classification Gaussian Processes via Spectral Features [7.474662887810221]
  グラフ分類は、その構造とノード属性に基づいてグラフを分類することを目的としている。 本研究では,スペクトル特徴を導出するグラフ信号処理ツールを用いて,この課題に取り組むことを提案する。 このような単純なアプローチであっても、学習されたパラメータがなくても、強力なニューラルネットワークやグラフカーネルのベースラインと比較して、競争力のあるパフォーマンスが得られることを示す。
  論文  参考訳（メタデータ） (2023-06-06T15:31:05Z)
• Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
  スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。 本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。 複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
  論文  参考訳（メタデータ） (2023-03-02T07:36:23Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• 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)
• Adaptive Gaussian Processes on Graphs via Spectral Graph Wavelets [3.2498534294827044]
  本稿では,異なるスケールで情報を集約できるスペクトルグラフウェーブレットを用いたプロセスモデルを提案する。 グラフスペクトルの高密度領域における低近似誤差を求めるフィルタ関数のスペクトル適応近似を用いて,より大きなグラフに対するスケーラビリティを実現する。
  論文  参考訳（メタデータ） (2021-10-25T09:25:04Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Stacked Graph Filter [19.343260981528186]
  グラフ信号処理の観点から,グラフ畳み込みネットワーク(GCN)について検討する。 学習可能な解パラメータでグラフフィルタを積み重ねることで、高度に適応的で堅牢なグラフ分類モデルを構築することができる。
  論文  参考訳（メタデータ） (2020-11-22T11:20:14Z)
• Fourier-based and Rational Graph Filters for Spectral Processing [0.0]
  我々の全体的な目標は、グラフ処理のための新しいフーリエベースのフィルタの定義です。 離散スペクトルベースおよびウェーブレット演算子の効率的な評価のために、スペクトルフリーアプローチを導入する。 任意のグラフフィルタを有理数で近似することは、スパースに対してより正確で数値的に安定な代替手段を提供する。
  論文  参考訳（メタデータ） (2020-11-08T19:02:52Z)
• 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)

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。