Fugu-MT 論文翻訳(概要): Convex Combination Belief Propagation Algorithms

論文の概要: Convex Combination Belief Propagation Algorithms

arxiv url: http://arxiv.org/abs/2105.12815v1
Date: Wed, 26 May 2021 20:06:57 GMT
ステータス: 処理完了
システム内更新日: 2021-05-28 16:13:24.521767
Title: Convex Combination Belief Propagation Algorithms
Title（参考訳）: Convex Combination Belief Propagation Algorithms
Authors: Anna Grim and Pedro Felzenszwalb
Abstract要約: グラフィカルモデルを用いた推論のための新しいメッセージパッシングアルゴリズムを提案する。標準 min-sum および sum-product belief propagation アルゴリズムは、グラフが木構造であるときに収束することが保証される。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce new message passing algorithms for inference with graphical models. The standard min-sum and sum-product belief propagation algorithms are guaranteed to converge when the graph is tree-structured, but may not converge and can be sensitive to the initialization when the graph contains cycles. This paper describes modifications to the standard belief propagation algorithms that are guaranteed to converge to a unique solution regardless of the topology of the graph.
Abstract（参考訳）: グラフィカルモデルを用いた推論のための新しいメッセージパッシングアルゴリズムを提案する。標準 min-sum および sum-product belief propagation アルゴリズムは、グラフが木構造であるときに収束することが保証されるが、収束せず、グラフが周期を含むとき初期化に敏感である。本稿では,グラフのトポロジによらず,一意解に収束することが保証される標準信念伝搬アルゴリズムの変更について述べる。

関連論文リスト

Convergence Guarantees for the DeepWalk Embedding on Block Models [9.898607871253775]
ブロックモデル(SBM)から得られたグラフ上でDeepWalkアルゴリズムの使い方を示す。単純化されているにもかかわらず、SBMは大きなグラフ上のアルゴリズムを解析するための古典的なモデルであることが証明されている。
論文参考訳（メタデータ） (2024-10-26T18:35:11Z)
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)
The graph alignment problem: fundamental limits and efficient algorithms [0.9246334723892301]
グラフ同型問題のノイズバージョンは、エッジの大部分を保存する2つのグラフのノード間のマッチングを見つけることを目的としている。この論文は、この問題の基本的な情報理論的限界を理解すること、および、基礎となるデータのアライメントを回復できるアルゴリズムを設計および分析することに焦点を当てている。
論文参考訳（メタデータ） (2024-04-18T15:31:13Z)
Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文参考訳（メタデータ） (2024-03-11T06:34:05Z)
Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
Fast Algorithms for Directed Graph Partitioning Using Flows and Reweighted Eigenvalues [6.094384342913063]
我々は,有向エッジ拡張に対する$O(sqrtlogn)$-approximationとCheeger型保証を実現するために,ほぼ線形時間アルゴリズムを導出する。これは、有向グラフ分割のための最もよく知られたアルゴリズムを得るための、原始二重フローベースのフレームワークを提供する。
論文参考訳（メタデータ） (2023-06-15T13:41:17Z)
Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文参考訳（メタデータ） (2022-01-25T00:10:03Z)
Random Feature Approximation for Online Nonlinear Graph Topology Identification [7.992550355579789]
グラフトポロジ推定のためのカーネルベースのアルゴリズムを提案する。私たちは、現実世界のネットワークが希少なトポロジを示すことが多いという事実を利用しています。実データおよび合成データを用いて行った実験により,提案手法が競合より優れていることが示された。
論文参考訳（メタデータ） (2021-10-19T12:48:12Z)
Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
我々は高密度サブグラフ発見のための新しい学習問題を導入する。まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
論文参考訳（メタデータ） (2020-06-24T11:37:33Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
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。