Fugu-MT 論文翻訳(概要): Factor Graph Grammars

論文の概要: Factor Graph Grammars

arxiv url: http://arxiv.org/abs/2010.12048v1
Date: Thu, 22 Oct 2020 20:43:55 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 07:24:50.693884
Title: Factor Graph Grammars
Title（参考訳）: 因子グラフ文法
Authors: David Chiang and Darcey Riley
Abstract要約: 因子グラフや因子グラフ文法(FGG)におけるハイパーエッジ置換グラフ文法の利用を提案する。 FGGは因子グラフの集合を生成し、プレート表記よりも一般的なモデルのクラスを記述することができる。推論は生成されたすべての因子グラフを列挙することなくFGG上で行うことができる。
参考スコア（独自算出の注目度）: 23.585042971798067
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose the use of hyperedge replacement graph grammars for factor graphs, or factor graph grammars (FGGs) for short. FGGs generate sets of factor graphs and can describe a more general class of models than plate notation, dynamic graphical models, case-factor diagrams, and sum-product networks can. Moreover, inference can be done on FGGs without enumerating all the generated factor graphs. For finite variable domains (but possibly infinite sets of graphs), a generalization of variable elimination to FGGs allows exact and tractable inference in many situations. For finite sets of graphs (but possibly infinite variable domains), a FGG can be converted to a single factor graph amenable to standard inference techniques.
Abstract（参考訳）: 本稿では,因子グラフのハイパーエッジ置換グラフ文法,あるいは因子グラフ文法(FGG)を略して提案する。 FGGは因子グラフの集合を生成し、プレート表記、動的グラフィカルモデル、ケースファクター図、および総積ネットワークよりも一般的なモデルのクラスを記述することができる。さらに、生成されたすべての因子グラフを列挙することなく、FGG上で推論を行うことができる。有限変数領域(グラフの無限集合)に対して、fggsへの変数除去の一般化は、多くの状況において正確かつ扱いやすい推論を可能にする。有限グラフの集合(しかし、おそらくは無限変数領域)に対して、FGG は標準推論技術に対応可能な単一の因子グラフに変換することができる。

関連論文リスト

Parametric Graph Representations in the Era of Foundation Models: A Survey and Position [69.48708136448694]
グラフは、包括的なリレーショナルデータをモデル化するために、過去数十年間、ビッグデータとAIで広く使われてきた。有意義なグラフ法則の同定は、様々な応用の有効性を著しく向上させることができる。
論文参考訳（メタデータ） (2024-10-16T00:01:31Z)
Motif-Consistent Counterfactuals with Adversarial Refinement for Graph-Level Anomaly Detection [30.618065157205507]
本稿では,グラフレベルの異常検出のための新しい手法Motif-consistent Counterfactuals with Adversarial Refinement (MotifCAR)を提案する。このモデルは、あるグラフのモチーフと、識別(カテゴリ)情報を含むコアサブグラフと、別のグラフのコンテキストサブグラフを組み合わせて、生の反事実グラフを生成する。 MotifCARは高品質な反ファクトグラフを生成することができる。
論文参考訳（メタデータ） (2024-07-18T08:04:57Z)
Transformers as Graph-to-Graph Models [13.630495199720423]
トランスフォーマーは本質的にグラフからグラフへのモデルであり、シーケンスは特別なケースに過ぎない、と我々は主張する。我々のGraph-to-Graph Transformerアーキテクチャは,グラフエッジを注目重み計算に入力し,注目機能を備えたグラフエッジを予測することで,これを明確化する。
論文参考訳（メタデータ） (2023-10-27T07:21:37Z)
One for All: Towards Training One Graph Model for All Classification Tasks [61.656962278497225]
様々なグラフタスクの統一モデルは、主にグラフ学習領域に固有の課題のために、まだ探索されていない。上記の課題に対処するために単一のグラフモデルを使用できる最初の汎用フレームワークである textbfOne for All (OFA) を提案する。 OFAは様々なタスクでうまく機能し、グラフ上の最初の汎用のクロスドメイン分類モデルとなる。
論文参考訳（メタデータ） (2023-09-29T21:15:26Z)
Expectation-Complete Graph Representations with Homomorphisms [5.939858158928473]
私たちは、資源の増加とともに任意に表現される効率的な代替手段に興味を持っています。我々のアプローチは、同型数の無限次元ベクトルによるグラフ同型の特徴付けに基づく。
論文参考訳（メタデータ） (2023-06-09T12:12:07Z)
Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。近年の研究では、グラフ表現学習における事前学習の有用性が示されている。本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文参考訳（メタデータ） (2023-02-06T16:26:29Z)
A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文参考訳（メタデータ） (2021-05-22T07:05:48Z)
Topology-aware Tensor Decomposition for Meta-graph Learning [33.70569156426479]
不均一グラフから有用な情報を抽出するための一般的なアプローチは、メタグラフを使用することである。メタグラフの学習におけるテンソルからの新たな視点を提案する。また、DAGの構造を反映した位相対応テンソル分解(TENSUS)を提案する。
論文参考訳（メタデータ） (2021-01-04T16:38:00Z)
Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文参考訳（メタデータ） (2020-10-09T07:35:26Z)
Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
論文参考訳（メタデータ） (2020-03-10T02:33:14Z)
The Power of Graph Convolutional Networks to Distinguish Random Graph Models: Short Version [27.544219236164764]
グラフ畳み込みネットワーク(GCN)はグラフ表現学習において広く使われている手法である。サンプルグラフの埋め込みに基づいて異なるランダムグラフモデルを区別するGCNのパワーについて検討する。
論文参考訳（メタデータ） (2020-02-13T17:58:42Z)

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。