論文の概要: Graph Theory in the Classification of Information Systems
- arxiv url: http://arxiv.org/abs/2012.13182v2
- Date: Sun, 27 Dec 2020 09:40:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 15:43:23.242838
- Title: Graph Theory in the Classification of Information Systems
- Title(参考訳): 情報システムの分類におけるグラフ理論
- Authors: Daniel Zentai
- Abstract要約: 我々はこの問題を説明するのに十分な数学的モデルを提案する。
また,リスク値に基づいてグラフを時間内に分類するアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Risk classification plays an important role in many regulations and
standards. However, a general method that provides an optimal classification
has not been proposed yet. Also, the criteria of optimality are not defined in
these regulations. In this work, we will propose a mathematical model that is
sufficient to describe this problem, and we also propose an algorithm that
classifies graph vertices based on their risk value in polynomial time.
- Abstract(参考訳): リスク分類は多くの規制や基準において重要な役割を果たす。
しかし、最適分類を提供する一般的な方法はまだ提案されていない。
また、この規則では最適性の基準は定義されていない。
本稿では,この問題を説明するのに十分な数学的モデルを提案するとともに,多項式時間におけるリスク値に基づいて,グラフ頂点を分類するアルゴリズムを提案する。
関連論文リスト
- Bayesian Linear Bandits for Large-Scale Recommender Systems [7.0997346625024]
この問題に対処するために,線形コンテキスト多重武装バンディットフレームワークを構築した。
提案するリコメンデータシステムは,オンライン上でユーザの項目選好を学習し,ランタイムを極力低くする。
数値評価には,提案アルゴリズムを用いて推薦システムを構築し,実世界のデータセットに適用する。
論文 参考訳(メタデータ) (2022-02-07T13:51:19Z) - Reinforcement Learning Based Query Vertex Ordering Model for Subgraph
Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。
マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。
本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文 参考訳(メタデータ) (2022-01-25T00:10:03Z) - Graph-LDA: Graph Structure Priors to Improve the Accuracy in Few-Shot
Classification [6.037383467521294]
本稿では、2つのノイズ源で観測されたクラス信号が劣化することが想定されるジェネリックモデルを提案する。
このような信号を分類する最適な手法を導出する。
この手法には単一のパラメータが含まれており、利用可能なデータが不足している場合に特に適している。
論文 参考訳(メタデータ) (2021-08-23T21:55:45Z) - Optimal Model Selection in Contextual Bandits with Many Classes via
Offline Oracles [9.708651460086916]
文脈的包帯に対するモデル選択の問題について検討する。
本稿では,文脈的帯域幅のモデル選択をオフラインモデル選択オラクルに還元する手法を提案する。
我々の主な成果は、文脈的盗賊に対する新しいモデル選択保証である。
論文 参考訳(メタデータ) (2021-06-11T16:08:03Z) - Simple Graph Convolutional Networks [72.92604941595019]
単一層グラフ畳み込みネットワークで実装可能な単純なグラフ畳み込み演算子を提案する。
我々の畳み込み演算子は、文献における多くの提案よりも理論的に基礎を置いており、検討されたベンチマークデータセットに最先端の予測性能を示す。
論文 参考訳(メタデータ) (2021-06-10T15:23:59Z) - 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) - On the Optimality of Batch Policy Optimization Algorithms [106.89498352537682]
バッチポリシー最適化は、環境と対話する前に既存のデータをポリシー構築に活用することを検討する。
信頼調整インデックスアルゴリズムは楽観的,悲観的,中立的いずれであってもミニマックス最適であることを示す。
最適値予測の本来の難易度を考慮した新しい重み付き最小値基準を提案する。
論文 参考訳(メタデータ) (2021-04-06T05:23:20Z) - Graph Classification by Mixture of Diverse Experts [67.33716357951235]
我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。
GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。
実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
論文 参考訳(メタデータ) (2021-03-29T14:03:03Z) - Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。
SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
論文 参考訳(メタデータ) (2021-03-05T09:03:03Z) - Better Short than Greedy: Interpretable Models through Optimal Rule
Boosting [10.938624307941197]
ルールアンサンブルは、予測精度とモデル解釈可能性の間の有用なトレードオフを提供するように設計されている。
与えられたアンサンブルサイズに対して最大予測力の規則アンサンブルを適合させる新しい手法を提案する。
論文 参考訳(メタデータ) (2021-01-21T01:03:48Z) - Unbiased Subdata Selection for Fair Classification: A Unified Framework
and Scalable Algorithms [0.8376091455761261]
このフレームワーク内の多くの分類モデルが混合整数凸プログラムとして再キャストできることを示した。
そして,提案問題において,分類結果の「解決不能な部分データ選択」が強く解決可能であることを示す。
これにより、分類インスタンスを解決するための反復精錬戦略(IRS)の開発を動機付けます。
論文 参考訳(メタデータ) (2020-12-22T21:09:38Z)
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。