Fugu-MT 論文翻訳(概要): Unlabeled Data Help in Graph-Based Semi-Supervised Learning: A Bayesian Nonparametrics Perspective

論文の概要: Unlabeled Data Help in Graph-Based Semi-Supervised Learning: A Bayesian Nonparametrics Perspective

arxiv url: http://arxiv.org/abs/2008.11809v3
Date: Sun, 13 Jun 2021 03:01:31 GMT
ステータス: 処理完了
システム内更新日: 2022-10-24 22:13:10.935003
Title: Unlabeled Data Help in Graph-Based Semi-Supervised Learning: A Bayesian Nonparametrics Perspective
Title（参考訳）: グラフに基づく半教師付き学習におけるラベルなしデータ支援:ベイズ非パラメトリックスの視点から
Authors: Daniel Sanz-Alonso and Ruiyi Yang
Abstract要約: グラフに基づく半教師あり学習の手法を多様体の仮定の下で解析する。我々はベイズ的視点を採用し、十分に多くのラベルのないデータで事前構築された適切な選択のために、後続の契約が対数係数まで最小限の速度で真理を囲むことを実証する。
参考スコア（独自算出の注目度）: 3.198144010381572
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we analyze the graph-based approach to semi-supervised learning under a manifold assumption. We adopt a Bayesian perspective and demonstrate that, for a suitable choice of prior constructed with sufficiently many unlabeled data, the posterior contracts around the truth at a rate that is minimax optimal up to a logarithmic factor. Our theory covers both regression and classification.
Abstract（参考訳）: 本稿では,半教師付き学習に対するグラフベースアプローチを多様体的仮定の下で解析する。我々はベイズ的視点を採用し、十分な数のラベルのないデータで構築された事前構築の適切な選択のために、真理の周りの後方収縮が対数係数に最適であることを示す。我々の理論は回帰と分類の両方をカバーしている。

関連論文リスト

Graph-Based Semi-Supervised Segregated Lipschitz Learning [0.21847754147782888]
本稿では,グラフ上のリプシッツ学習を用いたデータ分類のための半教師付き学習手法を提案する。グラフに基づく半教師付き学習フレームワークを開発し、無限ラプラシアンの性質を利用して、少数のサンプルしかラベル付けされていないデータセットにラベルを伝播する。
論文参考訳（メタデータ） (2024-11-05T17:16:56Z)
Semi-Supervised Laplace Learning on Stiefel Manifolds [48.3427853588646]
グラフベースで教師付きサンプルを低ラベルレートで作成するためのフレームワークSequential Subspaceを開発した。我々の手法は極めて低いレートで、高いラベルレートで達成できる。
論文参考訳（メタデータ） (2023-07-31T20:19:36Z)
On the Optimal Recovery of Graph Signals [10.098114696565865]
グラフ信号処理問題に対して最適あるいはほぼ最適な正規化パラメータを演算する。本結果は,グラフに基づく学習における古典的最適化手法の新しい解釈を提供する。半合成グラフ信号処理データセットの数値実験における本手法の可能性について述べる。
論文参考訳（メタデータ） (2023-04-02T07:18:11Z)
Laplacian-based Semi-Supervised Learning in Multilayer Hypergraphs by Coordinate Descent [4.56754610152086]
Graph Semi-Supervised Learningは重要なデータ分析ツールである。本稿では,非方向性グラフに対する問題の最適化に基づく定式化について考察する。異なる座標勾配法を用いて問題を解き、古典的な勾配勾配法で得られた手法と比較する。
論文参考訳（メタデータ） (2023-01-28T12:59:07Z)
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)
Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文参考訳（メタデータ） (2021-12-15T01:45:32Z)
Learning on Random Balls is Sufficient for Estimating (Some) Graph Parameters [28.50409304490877]
本研究では,部分観測環境におけるグラフ分類問題の理論的枠組みを開発する。ランダムにサンプリングされた部分グラフで動作する新しいグラフ分類モデルを提案する。
論文参考訳（メタデータ） (2021-11-05T08:32:46Z)
A-Optimal Active Learning [5.672898304129217]
部分的に探索することでデータセットを最適にラベル付けし、それを深層ネットワークのトレーニングに使用する方法を示す。提案手法は,ラベルを推定し,ディープネットワークを訓練する上で極めて効率的であることを示す。
論文参考訳（メタデータ） (2021-10-18T19:10:42Z)
From Canonical Correlation Analysis to Self-supervised Graph Neural Networks [99.44881722969046]
本稿では,グラフデータを用いた自己教師付き表現学習のための概念的単純かつ効果的なモデルを提案する。古典的カノニカル相関解析にインスパイアされた,革新的な特徴レベルの目的を最適化する。提案手法は、7つの公開グラフデータセット上で競合的に動作する。
論文参考訳（メタデータ） (2021-06-23T15:55:47Z)
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)
Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
半教師付き学習における簡単なメタ学習アルゴリズムを提案する。その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
論文参考訳（メタデータ） (2020-07-08T08:48:56Z)

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。