論文の概要: Tree-based Node Aggregation in Sparse Graphical Models

• arxiv url: http://arxiv.org/abs/2101.12503v1
• Date: Fri, 29 Jan 2021 10:17:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-01 13:00:23.691420
• Title: Tree-based Node Aggregation in Sparse Graphical Models
• Title（参考訳）: スパースグラフィカルモデルにおけるツリーベースのノード集約
• Authors: Ines Wilms and Jacob Bien
• Abstract要約: グラフィカルモデルのノードを集約することで,より単純なネットワークを生成できることを示す。 木集合型グラフィカルラッソやタグラッソと呼ばれる新しい凸正規化手法を開発し、エッジスパースとノード集約の両方のグラフィカルモデルを推定する。
• 参考スコア（独自算出の注目度）: 3.7311680121118336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-dimensional graphical models are often estimated using regularization that is aimed at reducing the number of edges in a network. In this work, we show how even simpler networks can be produced by aggregating the nodes of the graphical model. We develop a new convex regularized method, called the tree-aggregated graphical lasso or tag-lasso, that estimates graphical models that are both edge-sparse and node-aggregated. The aggregation is performed in a data-driven fashion by leveraging side information in the form of a tree that encodes node similarity and facilitates the interpretation of the resulting aggregated nodes. We provide an efficient implementation of the tag-lasso by using the locally adaptive alternating direction method of multipliers and illustrate our proposal's practical advantages in simulation and in applications in finance and biology.
• Abstract（参考訳）: 高次元グラフィカルモデルはしばしば、ネットワーク内のエッジ数を減らすことを目的とした正規化を用いて推定される。 本研究では,グラフィカルモデルのノードを集約することで,より単純なネットワークを生成できることを示す。 木集合型グラフィカルラッソやタグラッソと呼ばれる新しい凸正規化手法を開発し、エッジスパースとノード集約の両方のグラフィカルモデルを推定する。 集約は、ノードの類似性をエンコードし、結果の集約ノードの解釈を容易にするツリーの形式でサイド情報を活用することで、データ駆動の方法で実行される。 本稿では,乗算器の局所適応交互方向法を用いてタグラッソの効率的な実装を行い,シミュレーションや金融・生物学における応用において,提案手法の実用的利点を示す。

関連論文リスト

• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Addressing Heterophily in Node Classification with Graph Echo State Networks [11.52174067809364]
  ノード分類のためのグラフエコー状態ネットワーク(GESN)を用いた異種グラフの課題に対処する。 GESNはグラフのための貯水池計算モデルであり、ノードの埋め込みは訓練されていないメッセージパッシング関数によって計算される。 実験の結果, 貯水池モデルでは, ほぼ完全に訓練された深層モデルに対して, より優れた精度あるいは同等の精度が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-14T19:42:31Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Gransformer: Transformer-based Graph Generation [14.161975556325796]
  Gransformerは、グラフを生成するためのTransformerに基づくアルゴリズムである。 我々は、与えられたグラフの構造情報を利用するためにTransformerエンコーダを変更する。 また、ノードペア間のグラフベースの親しみ度尺度も導入する。
  論文  参考訳（メタデータ） (2022-03-25T14:05:12Z)
• Self-Supervised Graph Representation Learning via Topology Transformations [61.870882736758624]
  本稿では,グラフデータのノード表現のための自己教師型学習の一般的なパラダイムであるトポロジー変換同変表現学習について述べる。 実験では,提案手法を下流ノードおよびグラフ分類タスクに適用し,提案手法が最先端の教師なし手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-25T06:11:03Z)
• 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)
• Efficient Evolutionary Models with Digraphons [0.342658286826597]
  部分グラフの有限基底を用いたダイグラフィンの生成モデルを示す。 ダイグラフの有限基底セグメンテーションでシミュレーションを行うための効率的な実装を示す。
  論文  参考訳（メタデータ） (2021-04-26T17:40:13Z)
• Graph Fairing Convolutional Networks for Anomaly Detection [7.070726553564701]
  半教師付き異常検出のためのスキップ接続付きグラフ畳み込みネットワークを提案する。 本モデルの有効性は,5つのベンチマークデータセットに対する広範な実験によって実証された。
  論文  参考訳（メタデータ） (2020-10-20T13:45:47Z)
• Locality Preserving Dense Graph Convolutional Networks with Graph Context-Aware Node Representations [19.623379678611744]
  グラフ畳み込みネットワーク(GCN)はグラフデータの表現学習に広く利用されている。 多くのグラフ分類アプリケーションにおいて、GCNベースのアプローチは従来の手法よりも優れている。 グラフコンテキスト対応ノード表現を用いた局所性保存型高密度GCNを提案する。
  論文  参考訳（メタデータ） (2020-10-12T02:12:27Z)
• Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
  グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。 本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-27T08:32:16Z)

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。