論文の概要: Graph signal processing for machine learning: A review and new perspectives

• arxiv url: http://arxiv.org/abs/2007.16061v1
• Date: Fri, 31 Jul 2020 13:21:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 06:10:50.661778
• Title: Graph signal processing for machine learning: A review and new perspectives
• Title（参考訳）: 機械学習のためのグラフ信号処理 : レビューと新しい視点
• Authors: Xiaowen Dong, Dorina Thanou, Laura Toni, Michael Bronstein, Pascal Frossard
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 57.285378618394624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The effective representation, processing, analysis, and visualization of large-scale structured data, especially those related to complex domains such as networks and graphs, are one of the key questions in modern machine learning. Graph signal processing (GSP), a vibrant branch of signal processing models and algorithms that aims at handling data supported on graphs, opens new paths of research to address this challenge. In this article, we review a few important contributions made by GSP concepts and tools, such as graph filters and transforms, to the development of novel machine learning algorithms. In particular, our discussion focuses on the following three aspects: exploiting data structure and relational priors, improving data and computational efficiency, and enhancing model interpretability. Furthermore, we provide new perspectives on future development of GSP techniques that may serve as a bridge between applied mathematics and signal processing on one side, and machine learning and network science on the other. Cross-fertilization across these different disciplines may help unlock the numerous challenges of complex data analysis in the modern age.
• Abstract（参考訳）: 大規模構造化データの効率的な表現、処理、分析、可視化、特にネットワークやグラフのような複雑なドメインに関連するものなどは、現代の機械学習において重要な問題である。 グラフ信号処理(gsp)は、グラフでサポートされているデータを扱うことを目的とした信号処理モデルとアルゴリズムの活気ある分野であり、この課題に対処するために新たな研究の道を開く。 本稿では、グラフフィルタや変換といったgspの概念とツールが、新しい機械学習アルゴリズムの開発にもたらしたいくつかの重要な貢献についてレビューする。 特に,データ構造とリレーショナル・プライオリティの活用,データと計算効率の向上,モデル解釈可能性の向上という3つの側面に注目した。 さらに, 応用数学と信号処理, 機械学習とネットワーク科学の橋渡しとなるであろうgsp技術の今後の発展について, 新たな視点を提示する。 これらの異なる分野にまたがる交配は、現代における複雑なデータ分析の多くの課題を解き放つのに役立つかもしれない。

関連論文リスト

• A Review of Graph-Powered Data Quality Applications for IoT Monitoring Sensor Networks [0.8192907805418583]
  監視センサネットワークにおけるデータ品質制御のためのグラフベースモデルに着目する。 デジタル双生児のためのグラフベースモデルやモデル転送可能性、一般化など、今後のトレンドと課題を特定する。
  論文  参考訳（メタデータ） (2024-10-28T13:30:22Z)
• Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
  大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。 この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
  論文  参考訳（メタデータ） (2024-08-26T06:36:42Z)
• A Survey of Data-Efficient Graph Learning [16.053913182723143]
  研究フロンティアとして,データ効率グラフ学習(DEGL)の新たな概念を紹介した。 我々は、自己教師付きグラフ学習、半教師付きグラフ学習、少数ショットグラフ学習など、いくつかの重要な側面に関する最近の進歩を体系的にレビューした。
  論文  参考訳（メタデータ） (2024-02-01T09:28:48Z)
• Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• Privacy-Preserving Graph Machine Learning from Data to Computation: A Survey [67.7834898542701]
  我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。 まずプライバシ保護グラフデータを生成する方法を検討する。 次に,プライバシ保護情報を送信する方法について述べる。
  論文  参考訳（メタデータ） (2023-07-10T04:30:23Z)
• Recent Advances in Graph-based Machine Learning for Applications in Smart Urban Transportation Systems [7.335098632782098]
  本章では、ITS設計における重要な技術的課題に関する背景情報と研究手法のレビューを紹介する。 グラフベースの機械学習手法について,グラフの基本概念,グラフデータ表現,グラフニューラルネットワークアーキテクチャ,およびそれらのITSアプリケーションとの関係を詳細に検討する。
  論文  参考訳（メタデータ） (2023-06-02T05:50:57Z)
• GraphMAE: Self-Supervised Masked Graph Autoencoders [52.06140191214428]
  本稿では,自己教師付きグラフ学習における課題を軽減するマスク付きグラフオートエンコーダGraphMAEを提案する。 我々は3つの異なるグラフ学習タスクに対して、21の公開データセットに関する広範な実験を行った。 その結果,GraphMAEはグラフオートエンコーダであり,設計に注意を払っている。
  論文  参考訳（メタデータ） (2022-05-22T11:57:08Z)
• A Computational Framework for Modeling Complex Sensor Network Data Using Graph Signal Processing and Graph Neural Networks in Structural Health Monitoring [0.7519872646378835]
  本稿では,グラフ信号処理(GSP)とグラフニューラルネットワーク(GNN)を組み合わせた複雑なネットワークモデリングに基づくフレームワークを提案する。 我々は,オランダの大きな橋梁のセンサデータ(ひずみ,振動)のモデル化と解析という,実世界の構造的健康モニタリングユースケースに注目した。
  論文  参考訳（メタデータ） (2021-05-01T10:45:57Z)
• 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)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。