論文の概要: Multiview Variational Graph Autoencoders for Canonical Correlation
Analysis
- arxiv url: http://arxiv.org/abs/2010.16132v3
- Date: Mon, 4 Oct 2021 12:39:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 16:19:41.350077
- Title: Multiview Variational Graph Autoencoders for Canonical Correlation
Analysis
- Title(参考訳): 標準相関解析のための多視点変分グラフオートエンコーダ
- Authors: Yacouba Kaloga and Pierre Borgnat and Sundeep Prabhakar Chepuri and
Patrice Abry and Amaury Habrard
- Abstract要約: 本稿では,変分法に基づく新しい多視点標準相関解析モデルを提案する。
これは、利用可能なグラフベースの幾何学的制約を考慮に入れた最初の非線形モデルである。
複数のビューで大規模なデータセットを処理するにはスケーラブルである。
- 参考スコア(独自算出の注目度): 23.30313704251483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel multiview canonical correlation analysis model based on a
variational approach. This is the first nonlinear model that takes into account
the available graph-based geometric constraints while being scalable for
processing large scale datasets with multiple views. It is based on an
autoencoder architecture with graph convolutional neural network layers. We
experiment with our approach on classification, clustering, and recommendation
tasks on real datasets. The algorithm is competitive with state-of-the-art
multiview representation learning techniques.
- Abstract(参考訳): 本稿では,変分法に基づく新しい多視点標準相関解析モデルを提案する。
これは、利用可能なグラフベースの幾何学的制約を考慮した最初の非線形モデルであり、複数のビューで大規模データセットを処理するためにスケーラブルである。
グラフ畳み込みニューラルネットワーク層を備えたオートエンコーダアーキテクチャに基づいている。
我々は、実際のデータセットの分類、クラスタリング、レコメンデーションタスクに関するアプローチを実験する。
このアルゴリズムは最先端のマルチビュー表現学習技術と競合する。
関連論文リスト
- GraphFM: A Scalable Framework for Multi-Graph Pretraining [2.882104808886318]
本稿では,さまざまな領域のグラフデータセットにまたがるノード分類タスクに適した,スケーラブルなマルチグラフ・マルチタスク事前学習手法を提案する。
我々は,740万以上のノードと1億1900万のエッジからなる152のグラフデータセットのモデルをトレーニングすることで,このアプローチの有効性を実証する。
以上の結果から,多種多様な実・合成グラフの事前学習により適応性と安定性が向上し,最先端のスペシャリストモデルと競合する結果が得られた。
論文 参考訳(メタデータ) (2024-07-16T16:51:43Z) - Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2024-03-11T06:34:05Z) - Learning to Learn Graph Topologies [27.782971146122218]
ノードデータからグラフ構造へのマッピングを学習する(L2O)。
このモデルは、ノードデータとグラフサンプルのペアを使ってエンドツーエンドでトレーニングされる。
合成データと実世界のデータの両方の実験により、我々のモデルは、特定のトポロジ特性を持つグラフを学習する際の古典的反復アルゴリズムよりも効率的であることが示された。
論文 参考訳(メタデータ) (2021-10-19T08:42:38Z) - Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。
本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。
提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文 参考訳(メタデータ) (2021-08-15T13:14:28Z) - Multiple Graph Learning for Scalable Multi-view Clustering [26.846642220480863]
少数のアンカー点とテンソルシャッテンp-ノルム最小化による効率的な多重グラフ学習モデルを提案する。
具体的には、各ビューに対してアンカーグラフを用いて、隠蔽かつトラクタブルな大きなグラフを構築する。
本研究では,データサイズと線形にスケールする効率的なアルゴリズムを開発し,提案したモデルを解く。
論文 参考訳(メタデータ) (2021-06-29T13:10:56Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-11T03:25:25Z) - 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) - Learning Multi-layer Graphs and a Common Representation for Clustering [13.90938823562779]
スペクトルクラスタリングのための共有エンティティのマルチビューデータからグラフ学習に着目する。
本稿では,この問題を解決するために,最小化の交互化に基づく効率的な解法を提案する。
合成データセットと実データセットの数値実験により,提案アルゴリズムは最先端のマルチビュークラスタリング技術より優れていることが示された。
論文 参考訳(メタデータ) (2020-10-23T11:12:43Z) - Multi-view adaptive graph convolutions for graph classification [20.10169385129154]
グラフベースニューラルネットワークのための新しいマルチビュー手法を提案する。
レイヤは、グラフ分類のためのエンドツーエンドのグラフニューラルネットワークアーキテクチャで使用される。
論文 参考訳(メタデータ) (2020-07-24T11:14:24Z) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳(メタデータ) (2020-02-20T10:11:28Z) - Revisiting Graph based Collaborative Filtering: A Linear Residual Graph
Convolutional Network Approach [55.44107800525776]
グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。
本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。
単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。
本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
論文 参考訳(メタデータ) (2020-01-28T04:41:25Z)
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。