論文の概要: Multi-way Graph Signal Processing on Tensors: Integrative analysis of
irregular geometries
- arxiv url: http://arxiv.org/abs/2007.00041v2
- Date: Mon, 27 Jul 2020 13:43:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 05:19:45.155830
- Title: Multi-way Graph Signal Processing on Tensors: Integrative analysis of
irregular geometries
- Title（参考訳）: テンソル上の多方向グラフ信号処理:不規則幾何学の積分解析
- Authors: Jay S. Stanley III, Eric C. Chi, and Gal Mishne
- Abstract要約: グラフ信号処理(GSP)は不規則な構造を基盤とするデータの研究において重要な手法である。
本稿では,GSPをマルチウェイデータに一般化した最新の信号処理フレームワークについて述べる。
- 参考スコア（独自算出の注目度）: 8.49932255734124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph signal processing (GSP) is an important methodology for studying data
residing on irregular structures. As acquired data is increasingly taking the
form of multi-way tensors, new signal processing tools are needed to maximally
utilize the multi-way structure within the data. In this paper, we review
modern signal processing frameworks generalizing GSP to multi-way data,
starting from graph signals coupled to familiar regular axes such as time in
sensor networks, and then extending to general graphs across all tensor modes.
This widely applicable paradigm motivates reformulating and improving upon
classical problems and approaches to creatively address the challenges in
tensor-based data. We synthesize common themes arising from current efforts to
combine GSP with tensor analysis and highlight future directions in extending
GSP to the multi-way paradigm.
- Abstract（参考訳）: グラフ信号処理(GSP)は不規則な構造を基盤とするデータの研究において重要な手法である。
取得したデータがマルチウェイテンソルの形式を取るようになるにつれて、データ内のマルチウェイ構造を最大限に活用するための新しい信号処理ツールが必要である。
本稿では,gspを多方向データに一般化する現代的な信号処理フレームワークについて検討する。
この広く適用可能なパラダイムは、テンソルベースのデータの課題を創造的に解決するための古典的な問題やアプローチの修正と改善を動機付けている。
我々は,gspとテンソル解析を組み合わせた最近の取り組みから生じる共通テーマを合成し,gspをマルチウェイパラダイムへ拡張する今後の方向性を強調する。
関連論文リスト
- DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理することで人気を集めている。
既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。
本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
論文 参考訳（メタデータ） (2024-11-05T11:46:27Z) - GSP-KalmanNet: Tracking Graph Signals via Neural-Aided Kalman Filtering [23.19392802641989]
ハイブリッドモデルベース/データ駆動手法を用いて,グラフ信号の追跡について検討する。
我々はGSP-KalmanNetを開発し、グラフィカルな測定から隠れたグラフィカルな状態を追跡する。
提案した GSP-KalmanNet は,精度の向上と実行時間性能の向上に加えて,モデルの誤特定に対する堅牢性の向上を実現している。
論文 参考訳（メタデータ） (2023-11-28T08:43:10Z) - Convolutional Learning on Multigraphs [153.20329791008095]
我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。
情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。
我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。
導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
論文 参考訳（メタデータ） (2022-09-23T00:33:04Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2020-10-06T01:20:27Z) - Graph Signal Processing for Geometric Data and Beyond: Theory and
Applications [55.81966207837108]
グラフ信号処理(GSP)は、不規則な領域に存在する処理信号を可能にする。
GSP法は、幾何データとグラフの接続をブリッジすることで、統一的に幾何データに対する手法である。
最近開発されたグラフニューラルネットワーク(GNN)は、GSPの観点からこれらのネットワークの動作を解釈している。
論文 参考訳（メタデータ） (2020-08-05T03:20:16Z) - Graph signal processing for machine learning: A review and new
perspectives [57.285378618394624]
本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。
本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。
我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
論文 参考訳（メタデータ） (2020-07-31T13:21:33Z) - Graphs, Entities, and Step Mixture [11.162937043309478]
エッジベース近傍関係とノードベース実体特徴の両方を考慮した新しいグラフニューラルネットワークを提案する。
集約的な実験により,提案したGESMは,8つのベンチマークグラフデータセット上で,最先端または同等のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2020-05-18T06:57:02Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。