Fugu-MT 論文翻訳(概要): The Sample Fr\'echet Mean of Sparse Graphs is Sparse

論文の概要: The Sample Fr\'echet Mean of Sparse Graphs is Sparse

arxiv url: http://arxiv.org/abs/2105.14397v1
Date: Sun, 30 May 2021 00:40:43 GMT
ステータス: 処理完了
システム内更新日: 2021-06-03 13:04:56.213645
Title: The Sample Fr\'echet Mean of Sparse Graphs is Sparse
Title（参考訳）: スパースグラフのサンプルfr\'echet平均はスパースである
Authors: Francois G. Meyer, Daniel Ferguson
Abstract要約: グラフハミング距離とスペクトル隣接度疑似測度について、非常に異なる引数を用いて結果を証明する。ここでは、以下の結果が証明される: サンプル Fr はスパースグラフの集合の意味ではない。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this note we prove the following result: the sample Fr\'echet mean of a set of sparse graphs is sparse. We prove the result for the graph Hamming distance, and the spectral adjacency pseudometric, using very different arguments.
Abstract（参考訳）: ここでは、以下の結果を証明する: スパースグラフの集合のサンプル Fr\'echet 平均はスパースである。グラフハミング距離とスペクトル隣接擬メトリックに対する結果は、非常に異なる引数を用いて証明する。

関連論文リスト

Sampling and Uniqueness Sets in Graphon Signal Processing [136.68956350251418]
グラフとグラフの極限の理論を活用して、大きなグラフの族上のサンプリング集合の性質について検討する。我々は、収束結果を利用して、ほぼ最適なサンプリングセットを得るアルゴリズムを提供する。
論文参考訳（メタデータ） (2024-01-11T22:31:48Z)
A Poincaré Inequality and Consistency Results for Signal Sampling on Large Graphs [34.99659089854587]
グラフ制限の一種であるグラフオンに対する信号サンプリング理論を導入する。収束グラフ列上の一意なサンプリング集合は、グラフオン上の一意なサンプリング集合に収束することを示す。そこで我々は,大規模グラフに対する関連するグラフ信号サンプリングアルゴリズムを提案し,グラフ機械学習タスクにおいて,その優れた経験的性能を示す。
論文参考訳（メタデータ） (2023-11-17T16:04:31Z)
On the Equivalence of Graph Convolution and Mixup [70.0121263465133]
本稿では,グラフ畳み込みと混合手法の関係について検討する。 2つの穏やかな条件の下では、グラフの畳み込みはMixupの特別な形式と見なすことができる。グラフ畳み込みネットワーク(GCN)と単純化グラフ畳み込み(SGC)をミックスアップの形で表現できることを証明し、数学的にこの等価性を確立する。
論文参考訳（メタデータ） (2023-09-29T23:09:54Z)
Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文参考訳（メタデータ） (2023-08-16T13:10:27Z)
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)
Estimation of the Sample Frechet Mean: A Convolutional Neural Network Approach [0.0]
本稿では,グラフ(あるいはネットワーク)に対するサンプル平均の概念を置き換える,サンプルフレシェ平均を計算する高速アルゴリズムを提案する。ランダムグラフの複数のアンサンブルに関する実験により,Frechet平均値を確実に回収できることが実証された。
論文参考訳（メタデータ） (2022-10-13T22:39:05Z)
Probability density estimation for sets of large graphs with respect to spectral information using stochastic block models [0.0]
本研究では、各隣接行列の固有値の間に$ell$ノルムで定義される擬メトリックのグラフの集合を割り当てる。この擬似計量とグラフ値データセットの各サンプルモーメントを用いて分布のパラメータを$hatmu$とし、この分布を$mu$の近似として解釈する。
論文参考訳（メタデータ） (2022-07-05T16:53:22Z)
Sharp Threshold for the Frechet Mean (or Median) of Inhomogeneous Erdos-Renyi Random Graphs [0.0]
不均一なランダムグラフのアンサンブルのフレシェ平均(あるいは中央値)グラフは、アンサンブルの期待される隣接行列をしきい値にすることで得られることを示す。また, 人口予測隣接行列をサンプル平均隣接行列に置き換えた場合, サンプル平均(あるいは中央値)についても, 結果が成り立つことを示した。
論文参考訳（メタデータ） (2022-01-28T06:34:45Z)
Theoretical analysis and computation of the sample Frechet mean for sets of large graphs based on spectral information [0.0]
グラフの集合に、それぞれの隣接行列の固有値の間のノルムで定義される擬測度を割り当てる。編集距離とは異なり、この擬似測度は複数のスケールで構造変化を示す。固定サイズの無向非重み付きグラフの集合のサンプルFrechet平均に対する近似を計算するアルゴリズムについて述べる。
論文参考訳（メタデータ） (2022-01-15T20:53:29Z)
Prototypical Graph Contrastive Learning [141.30842113683775]
本稿では,有意なサンプリングバイアスを緩和するために,プロトタイプグラフコントラスト学習(PGCL)手法を提案する。具体的には、PGCLは、グラフデータの基盤となる意味構造を、意味論的に類似したグラフを同じグループにクラスタリングすることでモデル化し、同時に、同じグラフの異なる拡張に対するクラスタリング一貫性を奨励する。クエリのために、PGCLはさらに、プロトタイプ(クラスタセントロイド)とクエリプロトタイプの間の距離に基づいて、負のサンプルを再重み付けする。
論文参考訳（メタデータ） (2021-06-17T16:45:31Z)
iNNformant: Boundary Samples as Telltale Watermarks [68.8204255655161]
4つの試験されたマイクロアーキテクチャのいずれかを識別できる境界サンプルの集合を生成することができることを示す。これらのセットは70dBよりも悪いピーク信号-雑音比のサンプルを含まないように構築することができる。
論文参考訳（メタデータ） (2021-06-14T11:18:32Z)

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。