論文の概要: Hotspot identification for Mapper graphs

• arxiv url: http://arxiv.org/abs/2012.01868v1
• Date: Thu, 3 Dec 2020 12:22:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-23 14:37:38.879620
• Title: Hotspot identification for Mapper graphs
• Title（参考訳）: Mapperグラフのホットスポット同定
• Authors: Ciara Frances Loughrey, Nick Orr, Anna Jurek-Loughrey, and Pawe{\l} D{\l}otko
• Abstract要約: Mapperアルゴリズムは、ループやフレア、クラスタといった構造的に興味深い特徴をキャプチャする高次元データのグラフベースの表現を構築するために使用することができる。 精度医学などの多くの応用において、Mapper グラフは未知のコンパクトな局所化部分領域を識別するために使われてきた。 本稿では,Mapperグラフにおけるホットスポット検出のための新しいアルゴリズムを提案し,ホットスポット検出プロセスの自動化を可能にする。
• 参考スコア（独自算出の注目度）: 2.330913682033217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mapper algorithm can be used to build graph-based representations of high-dimensional data capturing structurally interesting features such as loops, flares or clusters. The graph can be further annotated with additional colouring of vertices allowing location of regions of special interest. For instance, in many applications, such as precision medicine, Mapper graph has been used to identify unknown compactly localized subareas within the dataset demonstrating unique or unusual behaviours. This task, performed so far by a researcher, can be automatized using hotspot analysis. In this work we propose a new algorithm for detecting hotspots in Mapper graphs. It allows automatizing of the hotspot detection process. We demonstrate the performance of the algorithm on a number of artificial and real world datasets. We further demonstrate how our algorithm can be used for the automatic selection of the Mapper lens functions.
• Abstract（参考訳）: Mapperアルゴリズムは、ループ、フレア、クラスタなどの構造的に興味深い特徴をキャプチャする高次元データのグラフベースの表現を構築するために使用できる。 グラフはさらに、特別な興味のある領域の位置を指定できるように、頂点のさらなる色付けで注釈を付けることができる。 例えば、精密医療などの多くのアプリケーションにおいて、Mapperグラフはデータセット内の未知のコンパクトな局所化部分領域を識別するために使われてきた。 このタスクは研究者がこれまで行ってきたもので、ホットスポット分析を使って自動化することができる。 本研究では,マッパーグラフ中のホットスポットを検出する新しいアルゴリズムを提案する。 ホットスポット検出プロセスの自動化を可能にする。 本稿では,人工および実世界のデータセット上でのアルゴリズムの性能を示す。 さらに、我々のアルゴリズムがMapperレンズ関数の自動選択にどのように使えるかを示す。

関連論文リスト

• Linear Transformer Topological Masking with Graph Random Features [52.717865653036796]
  重み付き隣接行列の学習可能な関数としてトポロジカルマスクをパラメータ化する方法を示す。 私たちの効率的なマスキングアルゴリズムは、画像およびポイントクラウドデータのタスクに対して、強力なパフォーマンス向上を提供します。
  論文  参考訳（メタデータ） (2024-10-04T14:24:06Z)
• A distribution-guided Mapper algorithm [0.3683202928838613]
  本稿ではD-Mapperという分布誘導型Mapperアルゴリズムを提案する。 提案アルゴリズムは確率的モデルに基づく手法であり,非確率的手法の代替となる可能性がある。 数値実験により,D-Mapperは様々なシナリオにおいて従来のMapperアルゴリズムより優れていることが示された。
  論文  参考訳（メタデータ） (2024-01-19T17:07:05Z)
• $G$-Mapper: Learning a Cover in the Mapper Construction [0.7852714805965528]
  Mapperアルゴリズムは、与えられたデータセットの構造を反映したグラフを出力するトポロジカルデータ解析(TDA)の可視化技術である。 本稿では,正規性に関する統計的テストに従って繰り返し被覆を分割することで,Mapperグラフの被覆を最適化するアルゴリズムを提案する。 我々のアルゴリズムは,アンダーソン・ダーリング試験を反復的に適用することにより,$k$-meansの最適なクラスタ数を探索する$G$-meansクラスタリングに基づいている。
  論文  参考訳（メタデータ） (2023-09-12T22:51:16Z)
• Sketch-Based Anomaly Detection in Streaming Graphs [89.52200264469364]
  動的グラフからのグラフエッジのストリームを前提に、オンライン形式でエッジやサブグラフに異常スコアを割り当てるにはどうすればよいのか? 本手法は,高密度部分グラフ探索を取り入れた最初のストリーミング手法であり,一定時間におけるグラフ異常を検出する。
  論文  参考訳（メタデータ） (2021-06-08T16:10:36Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
  Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。 本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
  論文  参考訳（メタデータ） (2020-08-03T08:48:41Z)
• 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)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• 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)
• ShapeVis: High-dimensional Data Visualization at Scale [10.007129417823858]
  トポロジカルデータ解析にインスパイアされたポイントクラウドデータのためのスケーラブルな可視化技術であるShapeVisを紹介する。 本手法は,圧縮された図形表現において,データの基底となる幾何学的および位相的構造をキャプチャする。
  論文  参考訳（メタデータ） (2020-01-15T07:59:13Z)

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。