論文の概要: A User Guide to Low-Pass Graph Signal Processing and its Applications

• arxiv url: http://arxiv.org/abs/2008.01305v1
• Date: Tue, 4 Aug 2020 03:27:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 01:01:01.879592
• Title: A User Guide to Low-Pass Graph Signal Processing and its Applications
• Title（参考訳）: 低パスグラフ信号処理のためのユーザガイドとその応用
• Authors: Raksha Ramakrishna, Hoi-To Wai, Anna Scaglione
• Abstract要約: 低域グラフフィルタの特性を活用してグラフトポロジを学習するか,コミュニティ構造を同定するかを示す。 グラフデータをサンプリングし、欠落した測定値を復元し、ノイズを除去することでグラフデータを表現する方法を解説する。
• 参考スコア（独自算出の注目度）: 31.90359683602266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The notion of graph filters can be used to define generative models for graph data. In fact, the data obtained from many examples of network dynamics may be viewed as the output of a graph filter. With this interpretation, classical signal processing tools such as frequency analysis have been successfully applied with analogous interpretation to graph data, generating new insights for data science. What follows is a user guide on a specific class of graph data, where the generating graph filters are low-pass, i.e., the filter attenuates contents in the higher graph frequencies while retaining contents in the lower frequencies. Our choice is motivated by the prevalence of low-pass models in application domains such as social networks, financial markets, and power systems. We illustrate how to leverage properties of low-pass graph filters to learn the graph topology or identify its community structure; efficiently represent graph data through sampling, recover missing measurements, and de-noise graph data; the low-pass property is also used as the baseline to detect anomalies.
• Abstract（参考訳）: グラフフィルタの概念は、グラフデータの生成モデルを定義するのに使うことができる。 実際、ネットワークダイナミクスの多くの例から得られたデータはグラフフィルタの出力と見なすことができる。 この解釈により、周波数分析のような古典的な信号処理ツールはグラフデータに対する類似の解釈にうまく適用され、データ科学の新しい洞察を生み出す。 グラフフィルタは、生成するグラフフィルタが低パスである特定の種類のグラフデータに対するユーザガイド、すなわち、フィルタは、低周波のコンテンツを保持しながら、高次グラフ周波数のコンテンツを減衰させる。 私たちの選択は、ソーシャルネットワーク、金融市場、電力システムといったアプリケーションドメインにおける低パスモデルの普及によるものです。 グラフトポロジを学習したり,そのコミュニティ構造を識別するために,低域グラフフィルタの特性を利用する方法,サンプリングによるグラフデータの効率的な表現,計測の欠如の回復,グラフデータのデノイズ化などについて説明する。

関連論文リスト

• Online Graph Filtering Over Expanding Graphs [14.594691605523005]
  オンライン学習の原則に依存するオンライングラフフィルタリングフレームワークを提案する。 このような進化に適応した学習者を含む、トポロジが知られ、未知のシナリオのためのフィルタを設計する。 我々は,オンラインアルゴリズムやフィルタ順序,成長するグラフモデルなど,さまざまなコンポーネントが果たす役割を強調するために,後悔の意を表す分析を行う。
  論文  参考訳（メタデータ） (2024-09-11T11:50:16Z)
• Homophily-Related: Adaptive Hybrid Graph Filter for Multi-View Graph Clustering [29.17784041837907]
  マルチビューグラフクラスタリング(AHGFC)のための適応ハイブリッドグラフフィルタを提案する。 AHGFCはグラフ結合集約行列に基づいてノード埋め込みを学習する。 実験結果から,同好性グラフと異好性グラフを含む6つのデータセットに対して,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-01-05T07:27:29Z)
• 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)
• Online Filtering over Expanding Graphs [14.84852576248587]
  本稿では,オンライン機械学習の原理に基づいて,フィルタのオンライン更新を提案する。 受信ノードにおける信号に対する手法の性能を示す。 これらの発見は、グラフの拡張よりも効率的なフィルタリングの基礎を築いた。
  論文  参考訳（メタデータ） (2023-01-17T14:07:52Z)
• Graph Filters for Signal Processing and Machine Learning on Graphs [83.29608206147515]
  グラフフィルタの包括的概要として、異なるフィルタリングカテゴリ、各タイプの設計戦略、異なるタイプのグラフフィルタ間のトレードオフなどを挙げる。 グラフフィルタをフィルタバンクやグラフニューラルネットワークに拡張して表現力を高める方法について論じる。 本稿の目的は、初心者と経験者の両方に統一的なフレームワークを提供することと、共通の理解を提供することです。
  論文  参考訳（メタデータ） (2022-11-16T11:56:45Z)
• Beyond Low-pass Filtering: Graph Convolutional Networks with Automatic Filtering [61.315598419655224]
  グラフ信号の全スペクトルをキャプチャする自動グラフ畳み込みネットワーク(AutoGCN)を提案する。 グラフスペクトル理論に基づいているが、私たちのAutoGCNも空間に局在しており、空間形式を持っている。
  論文  参考訳（メタデータ） (2021-07-10T04:11:25Z)
• BiGCN: A Bi-directional Low-Pass Filtering Graph Neural Network [35.97496022085212]
  多くのグラフ畳み込みネットワークは、グラフ信号の低パスフィルタと見なすことができる。 本稿では,グラフニューラルネットワークを双方向低域通過フィルタとして表現する新しいモデルBiGCNを提案する。 私たちのモデルは、ほとんどのベンチマークデータセットのノード分類とリンク予測のタスクで、以前のグラフニューラルネットワークを上回っています。
  論文  参考訳（メタデータ） (2021-01-14T09:41:00Z)
• FiGLearn: Filter and Graph Learning using Optimal Transport [49.428169585114496]
  信号観測からグラフとその生成フィルタを学習するための新しいグラフ信号処理フレームワークを提案する。 ごくわずかな情報しか得られない場合、このフレームワークが欠落した値を推測するのにどのように使えるかを示す。
  論文  参考訳（メタデータ） (2020-10-29T10:00:42Z)
• 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)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。