論文の概要: Graph Convolution with Low-rank Learnable Local Filters
- arxiv url: http://arxiv.org/abs/2008.01818v2
- Date: Sun, 11 Oct 2020 17:07:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 23:20:20.749505
- Title: Graph Convolution with Low-rank Learnable Local Filters
- Title(参考訳): 低ランク学習可能な局所フィルタによるグラフ畳み込み
- Authors: Xiuyuan Cheng, Zichen Miao, Qiang Qiu
- Abstract要約: 本稿では,学習可能な低ランク局所フィルタを用いた新しいグラフ畳み込み手法を提案する。
従来のスペクトルグラフ畳み込み法よりも明らかに表現力が高い。
入力グラフデータに対する表現は理論的に証明され、グラフフィルタの局所性と局所グラフの正規化を利用する。
- 参考スコア(独自算出の注目度): 32.00396411583352
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geometric variations like rotation, scaling, and viewpoint changes pose a
significant challenge to visual understanding. One common solution is to
directly model certain intrinsic structures, e.g., using landmarks. However, it
then becomes non-trivial to build effective deep models, especially when the
underlying non-Euclidean grid is irregular and coarse. Recent deep models using
graph convolutions provide an appropriate framework to handle such
non-Euclidean data, but many of them, particularly those based on global graph
Laplacians, lack expressiveness to capture local features required for
representation of signals lying on the non-Euclidean grid. The current paper
introduces a new type of graph convolution with learnable low-rank local
filters, which is provably more expressive than previous spectral graph
convolution methods. The model also provides a unified framework for both
spectral and spatial graph convolutions. To improve model robustness,
regularization by local graph Laplacians is introduced. The representation
stability against input graph data perturbation is theoretically proved, making
use of the graph filter locality and the local graph regularization.
Experiments on spherical mesh data, real-world facial expression
recognition/skeleton-based action recognition data, and data with simulated
graph noise show the empirical advantage of the proposed model.
- Abstract(参考訳): 回転、スケーリング、視点の変化といった幾何学的変化は、視覚的な理解にとって大きな課題となる。
共通の解決策の1つは、ランドマークを使って特定の内在的な構造を直接モデル化することである。
しかし、特に根底にある非ユークリッド格子が不規則で粗い場合、効果的な深層モデルを構築することは非自明になる。
グラフ畳み込みを用いた最近の深層モデルは、そのような非ユークリッドデータを扱うための適切なフレームワークを提供するが、それらの多くは、特にグローバルグラフラプラシアンに基づくもので、非ユークリッドグリッド上にある信号の表現に必要な局所的な特徴を捉えるための表現力に欠ける。
本稿では,従来のスペクトルグラフ畳み込み法よりも明らかに表現力が高い,学習可能な低ランク局所フィルタを用いた新しいグラフ畳み込み法を提案する。
このモデルは、スペクトルグラフと空間グラフの畳み込みの両方に統一されたフレームワークを提供する。
モデルロバスト性を改善するために、局所グラフラプラシアンによる正規化を導入する。
グラフフィルタ局所性と局所グラフ正規化を用いて,入力グラフデータの摂動に対する表現安定性を理論的に証明した。
球状メッシュデータ, 実世界の表情認識/骨格に基づく行動認識データ, およびグラフノイズシミュレーションを用いた実験は, 提案モデルの実証的利点を示している。
関連論文リスト
- Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - Graph Laplacian Learning with Exponential Family Noise [8.594140167290098]
指数関数的家族雑音によるグラフ信号から学習するための多目的グラフ推論フレームワークを提案する。
本フレームワークは,連続的なスムーズなグラフ信号から様々なデータタイプまで,従来の手法を一般化する。
論文 参考訳(メタデータ) (2023-06-14T02:09:52Z) - Unveiling the Sampling Density in Non-Uniform Geometric Graphs [69.93864101024639]
グラフを幾何学グラフとみなす: ノードは基礎となる計量空間からランダムにサンプリングされ、その距離が指定された近傍半径以下であれば任意のノードが接続される。
ソーシャルネットワークでは、コミュニティは密集したサンプル領域としてモデル化でき、ハブはより大きな近傍半径を持つノードとしてモデル化できる。
我々は,未知のサンプリング密度を自己監督的に推定する手法を開発した。
論文 参考訳(メタデータ) (2022-10-15T08:01:08Z) - Node Copying: A Random Graph Model for Effective Graph Sampling [35.957719744856696]
本稿では,グラフ上の分布を構成するノードコピーモデルを提案する。
コピーモデルの有用性を3つのタスクで示す。
提案モデルを用いて,グラフトポロジに対する敵攻撃の効果を緩和する。
論文 参考訳(メタデータ) (2022-08-04T04:04:49Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。
GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。
本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
論文 参考訳(メタデータ) (2021-12-19T05:04:53Z) - 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) - 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) - Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for
Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。
本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
論文 参考訳(メタデータ) (2020-08-03T08:48:41Z) - 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。