論文の概要: Inferring Graph Signal Translations as Invariant Transformations for Classification Tasks

• arxiv url: http://arxiv.org/abs/2102.09493v1
• Date: Thu, 18 Feb 2021 17:21:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-21 13:10:17.806102
• Title: Inferring Graph Signal Translations as Invariant Transformations for Classification Tasks
• Title（参考訳）: 分類タスクの不変変換としてのグラフ信号変換
• Authors: Raphael Baena, Lucas Drumetz and Vincent Gripon
• Abstract要約: グラフ信号処理(GSP)は、グラフで表される複雑な領域に調和解析を一般化するためのツールである。 これらのツールには翻訳があり、他の多くのツールを定義する必要がある。 ほとんどの作品は、グラフ構造のみを使用して翻訳を定義することを提案している。 エッジ) 本稿では,ディープラーニングフレームワークを用いて教師付き分類問題を不変にするエッジ制約操作として,翻訳を推測する。
• 参考スコア（独自算出の注目度）: 10.940340432960294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The field of Graph Signal Processing (GSP) has proposed tools to generalize harmonic analysis to complex domains represented through graphs. Among these tools are translations, which are required to define many others. Most works propose to define translations using solely the graph structure (i.e. edges). Such a problem is ill-posed in general as a graph conveys information about neighborhood but not about directions. In this paper, we propose to infer translations as edge-constrained operations that make a supervised classification problem invariant using a deep learning framework. As such, our methodology uses both the graph structure and labeled signals to infer translations. We perform experiments with regular 2D images and abstract hyperlink networks to show the effectiveness of the proposed methodology in inferring meaningful translations for signals supported on graphs.
• Abstract（参考訳）: グラフ信号処理(GSP)の分野は、グラフを通じて表される複素領域への調和解析を一般化するツールを提案した。 これらのツールには翻訳があり、他の多くのツールを定義する必要がある。 ほとんどの作品は、グラフ構造のみを使用して翻訳を定義することを提案している。 エッジ)。 このような問題は、グラフが方向ではなく近隣に関する情報を伝えるため、一般には当てはまらない。 本稿では,ディープラーニングフレームワークを用いて教師付き分類問題を不変にするエッジ制約操作として,翻訳を推測する。 そこで本手法では,グラフ構造とラベル付き信号の両方を用いて翻訳を推論する。 2次元画像と抽象ハイパーリンクネットワークを用いて実験を行い,提案手法の有効性をグラフ上に支持された信号の有意義な翻訳を推定する。

関連論文リスト

• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Robust Attributed Graph Alignment via Joint Structure Learning and Optimal Transport [26.58964162799207]
  本稿では,構造化学習と最適輸送アライメントを併用した教師なしグラフアライメントフレームワークSLOTAlignを提案する。 マルチビュー構造学習を取り入れて、グラフ表現能力を高め、グラフ間で継承された構造と特徴の不整合の影響を低減する。 提案したSLOTAlignは、7つの教師なしグラフアライメント法と5つの特殊なKGアライメント法よりも優れた性能と強いロバスト性を示す。
  論文  参考訳（メタデータ） (2023-01-30T08:41:36Z)
• Text Enriched Sparse Hyperbolic Graph Convolutional Networks [21.83127488157701]
  グラフニューラルネットワーク(GNN)とその双曲型は、そのようなネットワークを低次元の潜在空間でエンコードするための有望なアプローチを提供する。 本稿では,グラフのメタパス構造を意味信号を用いて捉えるために,テキスト強化スパースハイパーボリックグラフ畳み込みネットワーク(TESH-GCN)を提案する。 我々のモデルは,リンク予測のタスクにおいて,最先端のアプローチよりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-07-06T00:23:35Z)
• Semi-Supervised Graph-to-Graph Translation [31.47555366566109]
  グラフ翻訳は有望な研究の方向性であり、現実世界に広く応用できる可能性がある。 重要な理由のひとつは、高品質なペアデータセットがないことだ。 意味遷移をモデル化するために変換を明示的に行う双対表現空間を構築することを提案する。
  論文  参考訳（メタデータ） (2021-03-16T03:24:20Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Promoting Graph Awareness in Linearized Graph-to-Text Generation [72.83863719868364]
  局所グラフ構造を符号化する線形化モデルの能力を検討する。 本研究は,モデルの暗黙のグラフ符号化の品質を高めるための解法である。 これらの消音足場は、低リソース設定における下流生成の大幅な改善につながることが分かりました。
  論文  参考訳（メタデータ） (2020-12-31T18:17:57Z)
• Quiver Signal Processing (QSP) [145.6921439353007]
  キーバー表現に関する信号処理フレームワークの基礎を述べる。 ネットワークにおける異種多次元情報を扱うための信号処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-22T08:40:15Z)
• Graph Optimal Transport for Cross-Domain Alignment [121.80313648519203]
  クロスドメインアライメントはコンピュータビジョンと自然言語処理の基本である。 我々は、最近の最適輸送(OT)の進歩から発芽する原則的なフレームワークであるグラフ最適輸送(GOT)を提案する。 実験は、幅広いタスクにわたるベースライン上でのGOTの一貫性のある性能を示す。
  論文  参考訳（メタデータ） (2020-06-26T01:14:23Z)
• Deep Multi-attributed Graph Translation with Node-Edge Co-evolution [12.2432797296788]
  画像および言語翻訳から一般化されたグラフ変換は、入力グラフをソース領域に条件付けすることで、対象領域内のグラフを生成することを目的としている。 既存の作業は、固定トポロジを持つグラフのノード属性を単に予測することや、ノード属性を考慮せずにグラフトポロジのみを予測することに限定されている。 本稿では,ノード翻訳とエッジ翻訳をシームレスに統合する新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-03-22T16:49:53Z)
• 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。