論文の概要: Fast Graph Kernel with Optical Random Features

• arxiv url: http://arxiv.org/abs/2010.08270v1
• Date: Fri, 16 Oct 2020 09:43:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 20:21:41.645156
• Title: Fast Graph Kernel with Optical Random Features
• Title（参考訳）: 光ランダム特徴を持つ高速グラフカーネル
• Authors: Hashem Ghanem and Nicolas Keriven and Nicolas Tremblay
• Abstract要約: グラフレットカーネルは、同型テストを含むため、高い計算コストに悩まされる。 本稿では,グラフレットフレームワーク内のカーネルランダムな特徴を活用し,平均的なカーネルメトリックと理論的なリンクを確立することを提案する。
• 参考スコア（独自算出の注目度）: 17.403133838762447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The graphlet kernel is a classical method in graph classification. It however suffers from a high computation cost due to the isomorphism test it includes. As a generic proxy, and in general at the cost of losing some information, this test can be efficiently replaced by a user-defined mapping that computes various graph characteristics. In this paper, we propose to leverage kernel random features within the graphlet framework, and establish a theoretical link with a mean kernel metric. If this method can still be prohibitively costly for usual random features, we then incorporate optical random features that can be computed in constant time. Experiments show that the resulting algorithm is orders of magnitude faster that the graphlet kernel for the same, or better, accuracy.
• Abstract（参考訳）: グラフレットカーネルは、グラフ分類における古典的な方法である。 しかし、それはそれが含む同型テストのために高い計算コストを被る。 汎用的なプロキシとして、そして一般に、いくつかの情報を失うコストで、このテストは、様々なグラフ特性を計算するユーザ定義マッピングに置き換えられる。 本稿では,graphletフレームワーク内のカーネルランダムな特徴を活用し,平均カーネルメトリックとの理論的リンクを確立することを提案する。 この手法が通常のランダムな特徴に対して常に費用がかかる場合、一定の時間内に計算できる光学的ランダムな特徴を組み込む。 実験の結果, 結果のアルゴリズムは, グラフレットカーネルと同じ, あるいはそれ以上の精度で, 桁違いに高速であることがわかった。

関連論文リスト

• Optimal Time Complexity Algorithms for Computing General Random Walk Graph Kernels on Sparse Graphs [14.049529046098607]
  スパースグラフに対する一般ランダムウォークカーネル(RWK)の非バイアス近似のための最初の線形時間複雑性ランダム化アルゴリズムを提案する。 提案手法は,大規模グラフ上での効率的な計算において,最大$mathbf27timesの高速化を実現する。
  論文  参考訳（メタデータ） (2024-10-14T10:48:46Z)
• Heating Up Quasi-Monte Carlo Graph Random Features: A Diffusion Kernel Perspective [0.0]
  我々は最近導入された準グラフランダムな特徴のクラス(q-GRF)の上に構築する。 拡散核は2正規化ラプラシアンと最もよく似ている。 我々は、以前に確立されたアンチテーゼの終了手順の恩恵を受けるグラフタイプを探索する。
  論文  参考訳（メタデータ） (2024-10-10T21:51:31Z)
• Graph Generation via Spectral Diffusion [51.60814773299899]
  本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。 具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。 我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
  論文  参考訳（メタデータ） (2024-02-29T09:26:46Z)
• General Graph Random Features [42.75616308187867]
  重み付き隣接行列の任意の関数の偏りのない推定のためのランダムウォークに基づく新しいアルゴリズムを提案する。 提案アルゴリズムは, ノード数に関して, グラフカーネル評価の厳密な3次スケーリングを克服し, 準四次時間的複雑性を享受する。
  論文  参考訳（メタデータ） (2023-10-07T15:47:31Z)
• Tanimoto Random Features for Scalable Molecular Machine Learning [2.5112706394511766]
  そこで本研究では,Tanimotoカーネルを大規模データセットにスケールアップするための2種類の新しいランダムな特徴を提案する。 これらのランダムな特徴は実世界のデータセットの谷本係数の近似に有効であることを示す。
  論文  参考訳（メタデータ） (2023-06-26T16:11:11Z)
• 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)
• Graph Filtration Kernels [3.325932244741268]
  本稿では,特徴区間を組み込んだグラフカーネル群を提案する。 Wesfeiler-Lehmanラベルを特定のフィルター上で使用すると、通常のWeisfeiler-Lehmanプロシージャよりも表現力が強くなる。
  論文  参考訳（メタデータ） (2021-10-22T15:51:10Z)
• FGOT: Graph Distances based on Filters and Optimal Transport [62.779521543654134]
  グラフ比較は、グラフ間の類似点と相違点の識別を扱う。 大きな障害は、グラフの未知のアライメントと、正確で安価な比較指標の欠如である。 本研究では,フィルタグラフ距離近似を導入する。
  論文  参考訳（メタデータ） (2021-09-09T17:43:07Z)
• Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
  我々は高密度サブグラフ発見のための新しい学習問題を導入する。 まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。 そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-06-24T11:37:33Z)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。