Fugu-MT 論文翻訳(概要): Graph Kernels: State-of-the-Art and Future Challenges

論文の概要: Graph Kernels: State-of-the-Art and Future Challenges

arxiv url: http://arxiv.org/abs/2011.03854v2
Date: Tue, 10 Nov 2020 11:48:53 GMT
ステータス: 処理完了
システム内更新日: 2022-09-28 22:15:18.257378
Title: Graph Kernels: State-of-the-Art and Future Challenges
Title（参考訳）: グラフカーネル:最新技術と今後の課題
Authors: Karsten Borgwardt, Elisabetta Ghisu, Felipe Llinares-L\'opez, Leslie O'Bray, Bastian Rieck
Abstract要約: この原稿は、既存のグラフカーネル、そのアプリケーション、ソフトウェアとデータリソースのレビューと、最先端のグラフカーネルの実証的な比較を提供する。
参考スコア（独自算出の注目度）: 9.60714423000177
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph-structured data are an integral part of many application domains, including chemoinformatics, computational biology, neuroimaging, and social network analysis. Over the last two decades, numerous graph kernels, i.e. kernel functions between graphs, have been proposed to solve the problem of assessing the similarity between graphs, thereby making it possible to perform predictions in both classification and regression settings. This manuscript provides a review of existing graph kernels, their applications, software plus data resources, and an empirical comparison of state-of-the-art graph kernels.
Abstract（参考訳）: グラフ構造化データは、化学情報学、計算生物学、ニューロイメージング、ソーシャルネットワーク分析など、多くのアプリケーション領域の不可欠な部分である。過去20年間で、グラフ間のカーネル関数である多数のグラフカーネルが、グラフ間の類似性を評価する問題を解決するために提案され、分類と回帰設定の両方で予測が行えるようになった。この原稿は、既存のグラフカーネル、それらのアプリケーション、ソフトウェアとデータリソースのレビューと最先端のグラフカーネルの実証的な比較を提供する。

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)
State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文参考訳（メタデータ） (2023-01-14T09:15:49Z)
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 Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文参考訳（メタデータ） (2022-04-15T04:02:06Z)
Graphon based Clustering and Testing of Networks: Algorithms and Theory [11.3700474413248]
ネットワークに価値のあるデータは、幅広いアプリケーションで遭遇し、学習の課題を提起する。本稿では,2つのクラスタリングアルゴリズムについて述べる。さらに、グラフ2サンプルテスト問題に対する提案した距離の適用性について検討する。
論文参考訳（メタデータ） (2021-10-06T13:14:44Z)
Non-isomorphic Inter-modality Graph Alignment and Synthesis for Holistic Brain Mapping [1.433758865948252]
そこで本研究では,非同型グラフ(IMANGraphNet)フレームワークのモダリティ間整合性について提案し,対象グラフのモダリティを所定のモダリティに基づいて推定する。私たちの3つのコアコントリビューションは、(i)新しいグラフ生成逆数ネットワーク(gGAN)に基づいて、ソースグラフ(例えば、形態学)からターゲットグラフ(例えば、関数)を予測することである。形態素グラフからの関数予測に関する包括的実験により,IMANGraphNetの変形特性と比較した性能が示された。
論文参考訳（メタデータ） (2021-06-30T08:59:55Z)
Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文参考訳（メタデータ） (2020-10-20T05:54:31Z)
Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2020-07-08T19:48:19Z)
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)

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。