論文の概要: Graph Classification Based on Skeleton and Component Features

• arxiv url: http://arxiv.org/abs/2102.01428v1
• Date: Tue, 2 Feb 2021 10:52:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 02:15:16.414579
• Title: Graph Classification Based on Skeleton and Component Features
• Title（参考訳）: 骨格と成分特徴に基づくグラフ分類
• Authors: Xue Liu, Wei Wei, Xiangnan Feng, Xiaobo Cao, Dan Sun
• Abstract要約: 骨格情報に基づく分類を実現するグラフ埋め込みアルゴリズムGraphCSCを提案する。 2つのグラフは、それらの骨格と成分がどちらも類似している場合に似ており、我々のモデルでは、両方のグラフをグラフの同質性評価として埋め込みに統合する。 我々は、最新の最先端のベースラインの包括的リストと比較して、異なるデータセット上でモデルを実証し、実世界のグラフ分類タスクにおいて、我々の作業が優れていることを示す実験を行った。
• 参考スコア（独自算出の注目度）: 9.681154082075698
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most existing popular methods for learning graph embedding only consider fixed-order global structural features and lack structures hierarchical representation. To address this weakness, we propose a novel graph embedding algorithm named GraphCSC that realizes classification based on skeleton information using fixed-order structures learned in anonymous random walks manner, and component information using different size subgraphs. Two graphs are similar if their skeletons and components are both similar, thus in our model, we integrate both of them together into embeddings as graph homogeneity characterization. We demonstrate our model on different datasets in comparison with a comprehensive list of up-to-date state-of-the-art baselines, and experiments show that our work is superior in real-world graph classification tasks.
• Abstract（参考訳）: グラフ埋め込みを学習するためのほとんどの既存の一般的な方法は、固定順序のグローバル構造の特徴と構造階層表現の欠如のみを考慮します。 この弱点に対処するため、匿名のランダムウォークで学習した定階構造と異なるサイズのサブグラフを用いたコンポーネント情報を用いて、骨格情報に基づく分類を実現するグラフ埋め込みアルゴリズムGraphCSCを提案する。 2つのグラフは、スケルトンとコンポーネントの両方が類似している場合に類似しているため、私たちのモデルでは、両方のグラフをグラフの均質性特性として埋め込みに統合します。 最新のベースラインの包括的なリストと比較し、異なるデータセット上でモデルを示すとともに、実世界のグラフ分類タスクにおいて、私たちの研究が優れていることを実験で示します。

関連論文リスト

• GraphLSS: Integrating Lexical, Structural, and Semantic Features for Long Document Extractive Summarization [19.505955857963855]
  長い文書抽出要約のための異種グラフ構造であるGraphLSSを提案する。 補助学習モデルを必要としない2種類の情報(単語と文)と4種類のエッジ(文の意味的類似性、文発生順序、文中の単語、単語の意味的類似性)を定義する。
  論文  参考訳（メタデータ） (2024-10-25T23:48:59Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Connector 0.5: A unified framework for graph representation learning [5.398580049917152]
  本稿では,浅層から最先端まで,様々なグラフ埋め込みモデルをカバーする新しいグラフ表現フレームワークを提案する。 我々は,グラフの構造的関係を表現するためのディープグラフ埋め込みモデルを提供する,効率的なオープンソースフレームワークを構築する計画である。
  論文  参考訳（メタデータ） (2023-04-25T23:28:38Z)
• TranSG: Transformer-Based Skeleton Graph Prototype Contrastive Learning with Structure-Trajectory Prompted Reconstruction for Person Re-Identification [63.903237777588316]
  3Dスケルトンデータによる人物再識別(re-ID)は、顕著な優位性を持つ新興トピックである。 既存の方法は通常、生の関節を持つ骨格記述子を設計するか、あるいは骨格配列表現学習を行う。 本稿では,構造軌道を誘導する再構成によるコントラスト学習(TranSG)手法を提案する。
  論文  参考訳（メタデータ） (2023-03-13T02:27:45Z)
• Sub-Graph Learning for Spatiotemporal Forecasting via Knowledge Distillation [22.434970343698676]
  サブグラフを効果的に学習するためのフレームワークKD-SGLを提案する。 グラフの全体構造と各サブグラフの複数の局所モデルを学ぶために,グローバルモデルを定義する。
  論文  参考訳（メタデータ） (2022-11-17T18:02:55Z)
• GraphDCA -- a Framework for Node Distribution Comparison in Real and Synthetic Graphs [72.51835626235368]
  2つのグラフを比較するとき、ノード構造的特徴の分布は、グローバルグラフ統計よりも有益である、と我々は主張する。 本稿では,各ノード表現セットのアライメントに基づいてグラフ間の類似性を評価するフレームワークGraphDCAを提案する。
  論文  参考訳（メタデータ） (2022-02-08T14:19:19Z)
• 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)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Robust Hierarchical Graph Classification with Subgraph Attention [18.7475578342125]
  本稿では,グラフに対するサブグラフアテンションの概念を紹介する。 本稿では,SubGattPoolというグラフ分類アルゴリズムを提案する。 SubGattPoolは、最先端のグラフ分類データセットを改善することができるか、あるいは、複数の公開グラフ分類データセットで競争力を維持することができることを示す。
  論文  参考訳（メタデータ） (2020-07-19T10:03:06Z)

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。