Fugu-MT 論文翻訳(概要): Fusion Moves for Graph Matching

論文の概要: Fusion Moves for Graph Matching

arxiv url: http://arxiv.org/abs/2101.12085v1
Date: Thu, 28 Jan 2021 16:09:46 GMT
ステータス: 処理完了
システム内更新日: 2021-01-31 18:01:45.690278
Title: Fusion Moves for Graph Matching
Title（参考訳）: グラフマッチングのための融合移動
Authors: Lisa Hutschenreiter, Stefan Haller, Lorenz Feineis, Carsten Rother, Dagmar Kainm\"uller, Bogdan Savchynskyy
Abstract要約: グラフマッチングとしても知られる二次代入問題に対する近似アルゴリズムに寄与する。マルチラベル離散マルコフ確率場のための融合移動法の成功に触発され,グラフマッチングへの適用性を検討した。本稿では,ラグランジュ二元法と効率的に組み合わせる方法について述べる。
参考スコア（独自算出の注目度）: 35.27002115682325
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We contribute to approximate algorithms for the quadratic assignment problem also known as graph matching. Inspired by the success of the fusion moves technique developed for multilabel discrete Markov random fields, we investigate its applicability to graph matching. In particular, we show how it can be efficiently combined with the dedicated state-of-the-art Lagrange dual methods that have recently shown superior results in computer vision and bio-imaging applications. As our empirical evaluation on a wide variety of graph matching datasets suggests, fusion moves notably improve performance of these methods in terms of speed and quality of the obtained solutions. Hence, this combination results in a state-of-the-art solver for graph matching.
Abstract（参考訳）: グラフマッチングとしても知られる二次代入問題に対する近似アルゴリズムに寄与する。マルチラベル離散マルコフ確率場のための融合移動法の成功に触発され,グラフマッチングへの適用性を検討した。特に,コンピュータビジョンやバイオイメージングの分野で優れた成果を最近示した,最先端のラグランジュ双対法と効率的に組み合わせることができることを示す。さまざまなグラフマッチングデータセットに対する経験的評価が示すように、fusionの動きは、得られたソリューションの速度と品質の観点から、これらのメソッドのパフォーマンスを著しく改善します。したがって、この組み合わせはグラフマッチングのための最先端の解法をもたらす。

関連論文リスト

Differentiable Proximal Graph Matching [40.41380102260085]
微分可能近位グラフマッチング(DPGM)と呼ばれる近位演算子に基づくグラフマッチングアルゴリズムを提案する。アルゴリズム全体をグラフ親和性行列からノード対応の予測への微分可能な写像とみなすことができる。数値実験により、PGMは様々なデータセット上で既存のグラフマッチング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） (2024-05-26T08:17:13Z)
Graph Mixup with Soft Alignments [49.61520432554505]
本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
論文参考訳（メタデータ） (2023-06-11T22:04:28Z)
Synergistic Graph Fusion via Encoder Embedding [16.20934021488478]
共有集合を用いたマルチグラフ埋め込みのためのグラフ融合埋め込み法を提案する。教師あり学習の枠組みの下では,本手法は顕著で,非常に望ましい相乗効果を示す。我々の総合シミュレーションと実データ実験は,提案手法の有効性を裏付ける説得力のある証拠を提供する。
論文参考訳（メタデータ） (2023-03-31T13:34:35Z)
Learning Heuristics for the Maximum Clique Enumeration Problem Using Low Dimensional Representations [0.0]
本稿では,最大列挙問題の傾きを低減するために,入力グラフのプルーニング処理に学習フレームワークを用いる。本手法の性能評価において,異なる頂点表現を用いることが果たす役割について検討する。分類過程において局所的なグラフ特徴を用いることで,特徴の除去過程と組み合わせることで,より正確な結果が得られることが観察された。
論文参考訳（メタデータ） (2022-10-30T22:04:32Z)
GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文参考訳（メタデータ） (2022-03-24T02:58:36Z)
Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文参考訳（メタデータ） (2021-09-01T08:24:02Z)
Deep graph matching meets mixed-integer linear programming: Relax at your own risk ? [8.05409526074409]
グラフマッチング問題のMILP定式化を統合する手法を提案する。同様のアプローチは、グラフマッチング解決器の最適保証と品質レベルの導入によって導かれる。実験により,いくつかの理論的知見が得られ,深部グラフマッチング手法の方向性を導出する。
論文参考訳（メタデータ） (2021-08-01T08:29:55Z)
Stochastic Iterative Graph Matching [11.128153575173213]
本稿では,グラフマッチング問題に対処する新しいモデルであるIterative Graph MAtchingを提案する。我々のモデルはグラフ対のマッチングの分布を定義し、モデルが様々な可能なマッチングを探索できるようにする。我々は、生化学やコンピュータビジョンの応用と同様に、合成グラフデータセットにまたがる広範な実験を行う。
論文参考訳（メタデータ） (2021-06-04T02:05:35Z)
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)
Multi-view Graph Learning by Joint Modeling of Consistency and Inconsistency [65.76554214664101]
グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。 12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
論文参考訳（メタデータ） (2020-08-24T06:11:29Z)
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。