論文の概要: Offline detection of change-points in the mean for stationary graph signals

• arxiv url: http://arxiv.org/abs/2006.10628v1
• Date: Thu, 18 Jun 2020 15:51:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-11-19 13:32:57.334236
• Title: Offline detection of change-points in the mean for stationary graph signals
• Title（参考訳）: 静止グラフ信号の平均点変化点のオフライン検出
• Authors: Alejandro de la Concha, Nicolas Vayatis, Argyris Kalogeratos
• Abstract要約: グラフ信号定常性の概念に依存するオフラインアルゴリズムを提案する。 我々の主な貢献は、モデル選択の観点を採用する変更点検出アルゴリズムである。 我々の検出器は、漸近的でないオラクルの不平等の証明を伴っている。
• 参考スコア（独自算出の注目度）: 77.81487285123147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the problem of segmenting a stream of graph signals: we aim to detect changes in the mean of the multivariate signal defined over the nodes of a known graph. We propose an offline algorithm that relies on the concept of graph signal stationarity and allows the convenient translation of the problem from the original vertex domain to the spectral domain (Graph Fourier Transform), where it is much easier to solve. Although the obtained spectral representation is sparse in real applications, to the best of our knowledge this property has not been much exploited in the existing related literature. Our main contribution is a change-point detection algorithm that adopts a model selection perspective, which takes into account the sparsity of the spectral representation and determines automatically the number of change-points. Our detector comes with a proof of a non-asymptotic oracle inequality, numerical experiments demonstrate the validity of our method.
• Abstract（参考訳）: 本稿では,既知のグラフのノード上で定義された多変量信号の平均値の変化を検出することを目的として,グラフ信号のストリームをセグメント化する問題に対処する。 本稿では,グラフ信号定常性の概念に依存したオフラインアルゴリズムを提案し,この問題を元の頂点領域からスペクトル領域(グラフフーリエ変換)への便利な変換を可能にした。 得られたスペクトル表現は実際の応用では少ないが、我々の知る限り、この性質は既存の関連文献ではあまり利用されていない。 我々の主な貢献は、スペクトル表現のスパース性を考慮して自動的に変化点数を決定するモデル選択パースペクティブを採用する変化点検出アルゴリズムである。 我々の検出器は非漸近的なオラクルの不等式を証明し、数値実験により本手法の有効性を実証する。

関連論文リスト

• Bespoke multiresolution analysis of graph signals [0.0]
  本稿では,グラフ信号の離散多分解能解析のための新しいフレームワークを提案する。 主な分析ツールは標本変換であり、もともとユークリッドのフレームワークで離散ウェーブレットのような構成として定義されていた。 効率的な数値的な実装のために、重いエッジクラスタリングを組み合わせることで、グラフを意味のあるパッチに分割する。
  論文  参考訳（メタデータ） (2025-07-25T11:43:19Z)
• A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
  この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。 コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。 この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
  論文  参考訳（メタデータ） (2025-07-17T10:02:57Z)
• Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification [81.06278257153835]
  本稿では,構造的ボトルネック低減とグラフ特性保存のバランスをとるグラフ再構成手法を提案する。 本手法は、疎性を維持しながら接続性を高めたグラフを生成し、元のグラフスペクトルを大半保存する。
  論文  参考訳（メタデータ） (2025-06-19T08:01:00Z)
• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• Learning Sheaf Laplacian Optimizing Restriction Maps [19.477754758501707]
  本稿では,グラフのノード上で観測されたデータの集合から層ラプラシアンを推定する新しい枠組みを提案する。 グラフのノード上に存在するデータの相互相関と次元差の2つの重要な要因によってグラフがどう影響されるかを示す。
  論文  参考訳（メタデータ） (2025-01-31T15:15:08Z)
• SF-SGL: Solver-Free Spectral Graph Learning from Linear Measurements [16.313489255657203]
  線形測定による抵抗ネットワーク学習のためのスペクトルグラフ密度化フレームワーク(SGL) グラフの多重レベルスペクトル近似を利用するソルバフリー法(SF-SGL)。 ベクトルレスパワー/熱的整合性検証のためのEDAアルゴリズム
  論文  参考訳（メタデータ） (2023-02-09T00:33:19Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Stratified Graph Spectra [0.0]
  本稿では,ベクトル値信号から固有成分の大きさを復号する一般化変換を求める。 いくつかの試みが検討され、階層的な隣接度で変換を行うことで、信号のスペクトル特性をより深く分析することができることが判明した。
  論文  参考訳（メタデータ） (2022-01-10T23:35:13Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトル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） (2021-08-03T17:57:53Z)
• Graph Signal Restoration Using Nested Deep Algorithm Unrolling [85.53158261016331]
  グラフ信号処理は、センサー、社会交通脳ネットワーク、ポイントクラウド処理、グラフネットワークなど、多くのアプリケーションにおいてユビキタスなタスクである。 凸非依存型深部ADMM(ADMM)に基づく2つの復元手法を提案する。 提案手法のパラメータはエンドツーエンドでトレーニング可能である。
  論文  参考訳（メタデータ） (2021-06-30T08:57:01Z)
• 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)
• 3D Shape Registration Using Spectral Graph Embedding and Probabilistic Matching [24.41451985857662]
  本稿では,3次元形状登録の問題に対処し,スペクトルグラフ理論と確率的マッチングに基づく新しい手法を提案する。 この章の主な貢献は、スペクトルグラフマッチング法をラプラシアン埋め込みと組み合わせることで、非常に大きなグラフに拡張することである。
  論文  参考訳（メタデータ） (2021-06-21T15:02:31Z)
• Network topology change-point detection from graph signals with prior spectral signatures [28.854825611676507]
  グラフ信号からの逐次的グラフトポロジ変化点検出の問題点を考察する。 本稿では,ポストチェンジグラフのスペクトルシグネチャに関する先行情報が,観測されたシーケンシャルデータを暗黙的に復調するためにどのように組み込まれているかを示す。
  論文  参考訳（メタデータ） (2020-10-21T23:21:37Z)
• Joint Inference of Multiple Graphs from Matrix Polynomials [34.98220454543502]
  ノード上の観測からグラフ構造を推定することは重要かつ一般的なネットワーク科学課題である。 ノードの信号の観測から複数のグラフを共同で推定する問題について検討する。 本稿では,真のグラフの回復を保証するための凸最適化手法を提案する。
  論文  参考訳（メタデータ） (2020-10-16T02:45:15Z)
• Graphon Pooling in Graph Neural Networks [169.09536309161314]
  グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。 本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T21:04:20Z)

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。