論文の概要: Nonparametric Modeling of Higher-Order Interactions via Hypergraphons
- arxiv url: http://arxiv.org/abs/2105.08678v1
- Date: Tue, 18 May 2021 17:08:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 14:04:08.235055
- Title: Nonparametric Modeling of Higher-Order Interactions via Hypergraphons
- Title(参考訳): ハイパーグラフによる高次相互作用の非パラメトリックモデリング
- Authors: Krishnakumar Balasubramanian
- Abstract要約: 大規模ハイパーグラフの限界であるハイパーグラフを用いた高次相互作用のモデル化の統計的およびアルゴリズム的側面について検討する。
我々は,実用的に効率的に推定できる,単純なリプシッツハイパーグラフ (SLH) の制限クラスを考える。
- 参考スコア(独自算出の注目度): 11.6503817521043
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We study statistical and algorithmic aspects of using hypergraphons, that are
limits of large hypergraphs, for modeling higher-order interactions. Although
hypergraphons are extremely powerful from a modeling perspective, we consider a
restricted class of Simple Lipschitz Hypergraphons (SLH), that are amenable to
practically efficient estimation. We also provide rates of convergence for our
estimator that are optimal for the class of SLH. Simulation results are
provided to corroborate the theory.
- Abstract(参考訳): 大規模ハイパーグラフの限界であるハイパーグラフを用いた高次相互作用のモデル化における統計的およびアルゴリズム的側面について検討する。
ハイパーグラフはモデリングの観点からは非常に強力であるが、実際に効率的に推定できる制限された単純なリプシッツハイパーグラフ(SLH)のクラスを考える。
また、SLHのクラスに最適である推定器の収束率も提供する。
理論を裏付けるシミュレーション結果が提供される。
関連論文リスト
- Enhancing the Utility of Higher-Order Information in Relational Learning [0.9899763598214121]
関係学習におけるハイパーグラフレベルのアーキテクチャとグラフレベルのアーキテクチャの有効性を評価する。
本稿では,古典的なハイパーグラフ特性に基づくハイパーグラフレベルの符号化を提案する。
理論解析により,ハイパーグラフレベルの符号化がメッセージパッシンググラフニューラルネットワークの表現力を高めることが確認できた。
論文 参考訳(メタデータ) (2025-02-13T18:28:17Z) - Hypergraphs as Weighted Directed Self-Looped Graphs: Spectral Properties, Clustering, Cheeger Inequality [40.215737469808026]
ハイパーグラフはグループ関係を研究するときに現れ、機械学習の分野で広く使われている。
ハイパーグラフの統一的な定式化は行われていないが、最近提案されたエッジ依存レイリー重み付け(EDVW)モデリングは、ハイパーグラフの最も一般化されたモデリング手法の1つである。
グラフ上の対応する定義と整合性を持つハイパーグラフQuotient, NCut, boundary/cut, volume, and conductance の定義を提案する。
そして、正規化されたハイパーグラフラプラシアンがNCut値と関連があることを証明し、スペクトルクラスタリングのためのHyperClus-Gアルゴリズムを刺激する。
論文 参考訳(メタデータ) (2024-10-23T05:16:48Z) - SPHINX: Structural Prediction using Hypergraph Inference Network [19.853413818941608]
本稿では,非教師付き手法で遅延ハイパーグラフ構造を推論するモデルであるハイパーグラフ推論ネットワーク(SPHINX)を用いた構造予測を提案する。
k-サブセットサンプリングの最近の進歩は、離散ハイパーグラフ構造を生成するのに適したツールであることを示す。
結果として得られるモデルは、現代のハイパーグラフニューラルネットワークに必要な高次構造を生成することができる。
論文 参考訳(メタデータ) (2024-10-04T07:49:57Z) - From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。
次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。
提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文 参考訳(メタデータ) (2023-06-16T04:40:59Z) - Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。
THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。
3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文 参考訳(メタデータ) (2023-06-05T03:26:06Z) - Augmentations in Hypergraph Contrastive Learning: Fabricated and
Generative [126.0985540285981]
我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。
我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。
拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
論文 参考訳(メタデータ) (2022-10-07T20:12:20Z) - Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。
本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。
実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
論文 参考訳(メタデータ) (2022-07-14T06:17:00Z) - Core-periphery Models for Hypergraphs [0.0]
コア周辺構造に対するランダムなハイパーグラフモデルを提案する。
我々は,実際に線形wrtを持つ大規模ハイパーグラフにスケール可能な,新しい統計的推論アルゴリズムを開発した。
我々の推論アルゴリズムはハイパーグラフ内のノードの評判(ランク)に対応する埋め込みを学習することができる。
論文 参考訳(メタデータ) (2022-06-01T22:11:44Z) - Hypergraph Convolutional Networks via Equivalency between Hypergraphs
and Undirected Graphs [59.71134113268709]
本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。
本稿では,提案するフレームワークが最先端の性能を達成できることを示す。
ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
論文 参考訳(メタデータ) (2022-03-31T10:46:47Z) - The Performance of the MLE in the Bradley-Terry-Luce Model in
$\ell_{\infty}$-Loss and under General Graph Topologies [76.61051540383494]
我々はBradley-Terry-Luceモデルの$ell_infty$推定誤差に関する新しい一般上限を導出する。
導出された境界は良好に機能し、場合によっては既知の結果よりもシャープであることを示す。
論文 参考訳(メタデータ) (2021-10-20T23:46:35Z) - Generative hypergraph clustering: from blockmodels to modularity [26.99290024958576]
異質なノード度とエッジサイズを持つクラスタ化ハイパーグラフの表現的生成モデルを提案する。
我々は,100万ノードの合成ハイパーグラフを用いた実験など,ハイパーグラフ・ルーバインは高度にスケーラブルであることを示す。
このモデルを用いて,学校連絡ネットワークにおける高次構造の異なるパターン,米国議会法案共同提案,米国議会委員会,共同購入行動における製品カテゴリ,ホテルロケーションを分析した。
論文 参考訳(メタデータ) (2021-01-24T00:25:22Z)
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。