論文の概要: LCS Graph Kernel Based on Wasserstein Distance in Longest Common Subsequence Metric Space

• arxiv url: http://arxiv.org/abs/2012.03612v1
• Date: Mon, 7 Dec 2020 11:59:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 21:55:51.502215
• Title: LCS Graph Kernel Based on Wasserstein Distance in Longest Common Subsequence Metric Space
• Title（参考訳）: 最長共通部分列距離空間におけるwasserstein距離に基づくlcsグラフカーネル
• Authors: Jianming Huang, Zhongxi Fang, Hiroyuki Kasai
• Abstract要約: パスとウォークのより包括的類似性を計算するグラフカーネルを提案する。 また、グラフのより深い特徴を抽出するために、最適輸送理論と組み合わせる。 提案手法は多くの最先端グラフカーネル手法に勝る。
• 参考スコア（独自算出の注目度）: 22.215852332444904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For graph classification tasks, many methods use a common strategy to aggregate information of vertex neighbors. Although this strategy provides an efficient means of extracting graph topological features, it brings excessive amounts of information that might greatly reduce its accuracy when dealing with large-scale neighborhoods. Learning graphs using paths or walks will not suffer from this difficulty, but many have low utilization of each path or walk, which might engender information loss and high computational costs. To solve this, we propose a graph kernel using a longest common subsequence (LCS kernel) to compute more comprehensive similarity between paths and walks, which resolves substructure isomorphism difficulties. We also combine it with optimal transport theory to extract more in-depth features of graphs. Furthermore, we propose an LCS metric space and apply an adjacent point merge operation to reduce its computational costs. Finally, we demonstrate that our proposed method outperforms many state-of-the-art graph kernel methods.
• Abstract（参考訳）: グラフ分類タスクでは、多くの手法が共通戦略を用いて頂点近傍の情報を集約する。 この戦略は、グラフトポロジ的特徴を抽出する効率的な手段を提供するが、大規模な地区を扱う際の精度を大幅に低下させる可能性のある過剰な情報をもたらす。 パスやウォークを用いたグラフの学習は、この困難に悩まされることはないが、多くの人は、情報損失と高い計算コストを伴って、各パスやウォークの利用率が低い。 そこで本研究では,最も長い共通部分列(LCSカーネル)を用いて,パスとウォーク間のより包括的な類似性を求めるグラフカーネルを提案する。 また、グラフのより深い特徴を抽出するために、最適輸送理論と組み合わせる。 さらに, LCS距離空間を提案し, 隣接点マージ演算を適用して計算コストを削減する。 最後に,提案手法が最先端グラフカーネル手法よりも優れていることを示す。

関連論文リスト

• Learning Cartesian Product Graphs with Laplacian Constraints [10.15283812819547]
  ラプラシアン制約下でのカルト積グラフの学習問題について検討する。 我々は、ペナルティ化された最大推定値に対する統計的整合性を確立する。 また、構造的欠落のある値の存在下で、効率的な共同グラフ学習と計算を行う方法を拡張した。
  論文  参考訳（メタデータ） (2024-02-12T22:48:30Z)
• Symmetry-preserving graph attention network to solve routing problems at multiple resolutions [1.9304772860080408]
  問題解決のために,最初の完全同変モデルとトレーニングを導入する。 入力グラフのマルチスケール構造を捉えることが不可欠である。 本稿では,Equi Graph Attention Network (mEGAT) アーキテクチャと組み合わせたマルチレゾリューション方式を提案する。
  論文  参考訳（メタデータ） (2023-10-24T06:22:20Z)
• Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
  点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。 第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
  論文  参考訳（メタデータ） (2023-02-02T08:33:36Z)
• Multi-scale Wasserstein Shortest-path Graph Kernels for Graph Classification [24.041871640927738]
  We propose a novel graph kernel called the Multi-scale Wasserstein Shortest-Path graph kernel (MWSP)。 MWSPは,ほとんどのデータセットで最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-06-02T10:50:46Z)
• LeNSE: Learning To Navigate Subgraph Embeddings for Large-Scale Combinatorial Optimisation [6.316693022958222]
  ユークリッド部分グラフの埋め込みを地図として用いて,可能な部分グラフの空間をナビゲートする方法を学習する強化学習アルゴリズムを提案する。 LeNSEは、グラフ全体への埋め込みの実行によって見いだされたソリューションに匹敵するソリューションをもたらす小さなサブグラフを識別するが、全体の実行時間のごく一部にはならない。
  論文  参考訳（メタデータ） (2022-05-20T11:54:03Z)
• K-Core Decomposition on Super Large Graphs with Limited Resources [17.71064869466004]
  近年、グラフの規模は急速に拡大しており、特に工業環境では顕著である。 大規模グラフにKコア分解を適用することは、学者や業界からますます注目を集めている。 そこで本研究では,分散Kコア分解アルゴリズム上での分割・対数戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-26T04:34:11Z)
• Shortest Paths in Graphs with Matrix-Valued Edges: Concepts, Algorithm and Application to 3D Multi-Shape Analysis [69.08838724594584]
  グラフ内の最短経路を見つけることは、コンピュータビジョンやグラフィックスにおける多くの問題に関係している。 本稿では,行列値のエッジを持つグラフにおいて,最短経路のグラフ理論を新たに導入する。
  論文  参考訳（メタデータ） (2021-12-08T08:23:37Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• 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)
• 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)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。