論文の概要: Graph Wasserstein Correlation Analysis for Movie Retrieval

• arxiv url: http://arxiv.org/abs/2008.02648v1
• Date: Thu, 6 Aug 2020 13:30:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 06:45:21.727847
• Title: Graph Wasserstein Correlation Analysis for Movie Retrieval
• Title（参考訳）: 映画検索のためのグラフwasserstein相関解析
• Authors: Xueya Zhang and Tong Zhang and Xiaobin Hong and Zhen Cui and Jian Yang
• Abstract要約: 本稿では,グラフワッサースタイン相関解析(GWCA)を提案し,異種間グラフ比較のコア問題に対処する。 スペクトルグラフフィルタリングはグラフ信号を符号化するために導入され、ワッサーシュタイン空間の確率分布として埋め込まれる。 古典的一般化固有値分解問題としてグラフ比較モデルの解を導出する。
• 参考スコア（独自算出の注目度）: 38.7190386176105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Movie graphs play an important role to bridge heterogenous modalities of videos and texts in human-centric retrieval. In this work, we propose Graph Wasserstein Correlation Analysis (GWCA) to deal with the core issue therein, i.e, cross heterogeneous graph comparison. Spectral graph filtering is introduced to encode graph signals, which are then embedded as probability distributions in a Wasserstein space, called graph Wasserstein metric learning. Such a seamless integration of graph signal filtering together with metric learning results in a surprise consistency on both learning processes, in which the goal of metric learning is just to optimize signal filters or vice versa. Further, we derive the solution of the graph comparison model as a classic generalized eigenvalue decomposition problem, which has an exactly closed-form solution. Finally, GWCA together with movie/text graphs generation are unified into the framework of movie retrieval to evaluate our proposed method. Extensive experiments on MovieGrpahs dataset demonstrate the effectiveness of our GWCA as well as the entire framework.
• Abstract（参考訳）: 映画グラフは、人間中心の検索において、ビデオやテキストの異質なモダリティを橋渡しする上で重要な役割を果たす。 本稿では,グラフワッサースタイン相関解析(GWCA)を提案する。 スペクトルグラフフィルタリングはグラフ信号を符号化するために導入され、グラフwasserstein metric learningと呼ばれるwasserstein空間の確率分布として埋め込まれる。 このようなグラフ信号フィルタリングとメトリック学習のシームレスな統合は、両方の学習プロセスにおいて驚きの一貫性をもたらします。 さらに、グラフ比較モデルの解を、完全閉形式解を持つ古典的な一般化固有値分解問題として導出する。 最後に,映画/テキストグラフ生成と共にgwcaを映画検索の枠組みに統合し,提案手法を評価する。 MovieGrpahsデータセットに関する大規模な実験では、GWCAとフレームワーク全体の効果が示されている。

関連論文リスト

• A Gromov--Wasserstein Geometric View of Spectrum-Preserving Graph Coarsening [19.09507367362567]
  この研究はグラフの粗大化を別の観点から研究し、グラフ距離を保存する理論を発展させた。 幾何学的アプローチは、グラフ分類や回帰のようなグラフの集合を扱う際に有用である。 この差を最小化するには、一般的な重み付きカーネル$K$-means法を用いる。
  論文  参考訳（メタデータ） (2023-06-15T04:47:26Z)
• Learning Optimal Graph Filters for Clustering of Attributed Graphs [20.810096547938166]
  多くの現実世界のシステムは、システム内の異なるエンティティがノードによって表現され、エッジによって相互作用するグラフとして表現することができる。 グラフィカルな構造を持つ大規模なデータセットを研究する上で重要なタスクはグラフクラスタリングである。 本稿では,FIR(Finite Impulse Response)およびARMA(Autoregressive moving Average)グラフフィルタのパラメータをクラスタリングに最適化したグラフ信号処理手法を提案する。
  論文  参考訳（メタデータ） (2022-11-09T01:49:23Z)
• Graph Pooling via Coarsened Graph Infomax [9.045707667111873]
  本稿では,各プーリング層の入力と粗いグラフ間の相互情報を最大化するために,粗いグラフプールインフォマキシング(cgi)を提案する。 相互情報ニューラルを実現するために,コントラスト学習を適用し,正負のサンプルを学習するための自己照査に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-04T03:50:21Z)
• 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)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• 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)
• Generalized Spectral Clustering via Gromov-Wasserstein Learning [10.558951653323286]
  スペクトルクラスタリングとGromov-Wasserstein Learning(GWL)の橋渡しを行う。 GWLはグラフ分割に対する近年の最適輸送に基づくアプローチである。 熱カーネルを用いた2ノードテンプレートグラフを無限の時間制限で比較した場合、結果として得られる分割は、Fiedlerベクトルが生成する分割と一致することを示す。
  論文  参考訳（メタデータ） (2020-06-07T14:29:32Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。