論文の概要: Neighborhood Preserving Kernels for Attributed Graphs

• arxiv url: http://arxiv.org/abs/2010.06261v1
• Date: Tue, 13 Oct 2020 09:58:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 22:55:11.497445
• Title: Neighborhood Preserving Kernels for Attributed Graphs
• Title（参考訳）: 帰属グラフの近傍保存核
• Authors: Asif Salim, Shiju. S. S, and Sumitra. S
• Abstract要約: 本稿では,属性グラフに適した再生カーネルの設計について述べる。 2つのグラフ間の類似性は、グラフノードの近傍情報に基づいて定義される。 提案したカーネルをサポートベクトルマシンに組み込むことで,実世界のデータセットを分析した。
• 参考スコア（独自算出の注目度）: 0.9176056742068812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We describe the design of a reproducing kernel suitable for attributed graphs, in which the similarity between the two graphs is defined based on the neighborhood information of the graph nodes with the aid of a product graph formulation. We represent the proposed kernel as the weighted sum of two other kernels of which one is an R-convolution kernel that processes the attribute information of the graph and the other is an optimal assignment kernel that processes label information. They are formulated in such a way that the edges processed as part of the kernel computation have the same neighborhood properties and hence the kernel proposed makes a well-defined correspondence between regions processed in graphs. These concepts are also extended to the case of the shortest paths. We identified the state-of-the-art kernels that can be mapped to such a neighborhood preserving framework. We found that the kernel value of the argument graphs in each iteration of the Weisfeiler-Lehman color refinement algorithm can be obtained recursively from the product graph formulated in our method. By incorporating the proposed kernel on support vector machines we analyzed the real-world data sets and it has shown superior performance in comparison with that of the other state-of-the-art graph kernels.
• Abstract（参考訳）: 本稿では,2つのグラフ間の類似性を,積グラフ定式化の助けを借りてグラフノードの近傍情報に基づいて定義する,属性付きグラフに適した再生カーネルの設計について述べる。 提案するカーネルを,グラフの属性情報を処理するr-畳み込みカーネルとラベル情報を処理する最適割当カーネルという,他の2つのカーネルの重み付き和として表現する。 それらは、カーネル計算の一部として処理されたエッジが同じ近傍特性を持つように定式化され、提案されたカーネルは、グラフで処理された領域間の適切に定義された対応を行う。 これらの概念は最短経路の場合にも拡張される。 このような近辺保存フレームワークにマッピング可能な最先端カーネルを特定した。 Wesfeiler-Lehman色補正アルゴリズムの各イテレーションにおける引数グラフのカーネル値は、我々の方法で定式化された積グラフから再帰的に得ることができる。 提案するカーネルをサポートベクターマシンに組み込むことにより,実世界のデータセットを分析し,他の最先端グラフカーネルと比較して優れた性能を示した。

関連論文リスト

• Towards Subgraph Isomorphism Counting with Graph Kernels [45.687427850611314]
  部分グラフ同型は#P完全 (#P-complete) と呼ばれ、正確な解を見つけるには指数時間を必要とする。 サブグラフ同型を数えることの可能性について先駆的に検討し、様々な変種を通してカーネル能力の増大を探求する。 本稿では,拡張グラフカーネルの有効性を実証する広範な実験結果について述べるとともに,今後の研究の方向性について述べる。
  論文  参考訳（メタデータ） (2024-05-13T06:33:06Z)
• AERK: Aligned Entropic Reproducing Kernels through Continuous-time Quantum Walks [17.95088104970343]
  グラフ分類のためのアラインドエントロピー再生カーネル(AERK)を開発した。 ペアワイズグラフでは、提案されたAERKカーネルは、それぞれのペアの整列頂点の量子シャノンエントロピー間の再現カーネルに基づく類似性を計算することで定義される。 標準グラフデータセットに対する実験的評価は,提案したAERKカーネルがグラフ分類タスクの最先端グラフカーネルより優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-04T16:48:39Z)
• Transductive Kernels for Gaussian Processes on Graphs [7.542220697870243]
  半教師付き学習のためのノード特徴データ付きグラフ用の新しいカーネルを提案する。 カーネルは、グラフと特徴データを2つの空間として扱うことにより、正規化フレームワークから派生する。 グラフ上のカーネルベースのモデルがどれだけの頻度で設計されているかを示す。
  論文  参考訳（メタデータ） (2022-11-28T14:00:50Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Transport based Graph Kernels [30.541423115387097]
  グラフカーネルはグラフ間の類似性を測定する強力なツールである。 既存のグラフカーネルのほとんどはノードラベルや属性に重点を置いており、グラフ階層構造情報を無視している。 最適輸送(OT)に基づくピラミッドグラフカーネルを提案する。 提案したグラフカーネルをいくつかのベンチマーク分類タスクで評価し、その性能を既存の最先端グラフカーネルと比較する。
  論文  参考訳（メタデータ） (2020-11-02T04:44:27Z)
• 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)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• 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)
• A Hierarchical Transitive-Aligned Graph Kernel for Un-attributed Graphs [11.51839867040302]
  我々は、グラフ間の頂点を推移的に整列させることにより、新しいグラフカーネル、すなわち階層的推移型カーネルを開発する。 提案したカーネルは、分類精度の観点から、標準グラフベースのデータセット上で最先端のグラフカーネルより優れている。
  論文  参考訳（メタデータ） (2020-02-08T11:46:25Z)

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。