論文の概要: Embedding Signals on Knowledge Graphs with Unbalanced Diffusion Earth Mover's Distance

• arxiv url: http://arxiv.org/abs/2107.12334v1
• Date: Mon, 26 Jul 2021 17:19:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 15:48:06.632661
• Title: Embedding Signals on Knowledge Graphs with Unbalanced Diffusion Earth Mover's Distance
• Title（参考訳）: 非平衡拡散地球移動者距離を持つ知識グラフ上の埋め込み信号
• Authors: Alexander Tong and Guillaume Huguet and Dennis Shung and Amine Natik and Manik Kuchroo and Guillaume Lajoie and Guy Wolf and Smita Krishnaswamy
• Abstract要約: 現代の機械学習では、多くの領域における観測間の相互作用や類似性によって生じる大きなグラフに遭遇することが一般的である。 本研究では,地球移動器距離(EMD)と測地コストを基礎となるグラフ上で比較し,グラフ信号のデータセットを整理する。 いずれの場合も,UDEMDをベースとした埋め込みは,他の手法と比較して高精度な距離を求めることができる。
• 参考スコア（独自算出の注目度）: 63.203951161394265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In modern relational machine learning it is common to encounter large graphs that arise via interactions or similarities between observations in many domains. Further, in many cases the target entities for analysis are actually signals on such graphs. We propose to compare and organize such datasets of graph signals by using an earth mover's distance (EMD) with a geodesic cost over the underlying graph. Typically, EMD is computed by optimizing over the cost of transporting one probability distribution to another over an underlying metric space. However, this is inefficient when computing the EMD between many signals. Here, we propose an unbalanced graph earth mover's distance that efficiently embeds the unbalanced EMD on an underlying graph into an $L^1$ space, whose metric we call unbalanced diffusion earth mover's distance (UDEMD). This leads us to an efficient nearest neighbors kernel over many signals defined on a large graph. Next, we show how this gives distances between graph signals that are robust to noise. Finally, we apply this to organizing patients based on clinical notes who are modelled as signals on the SNOMED-CT medical knowledge graph, embedding lymphoblast cells modeled as signals on a gene graph, and organizing genes modeled as signals over a large peripheral blood mononuclear (PBMC) cell graph. In each case, we show that UDEMD-based embeddings find accurate distances that are highly efficient compared to other methods.
• Abstract（参考訳）: 現代のリレーショナル機械学習では、多くの領域における観察間の相互作用や類似性によって生じる大きなグラフに遭遇するのが一般的である。 さらに、多くの場合、分析対象のエンティティは実際にはそのようなグラフ上の信号である。 本研究では,地球移動器距離(EMD)と測地コストを基礎となるグラフ上で比較し,グラフ信号のデータセットを整理する。 典型的には、emdは基礎となる計量空間上のある確率分布を別の確率分布へ輸送するコストを最適化することで計算される。 しかし、多くの信号間でemdを計算する場合、これは非効率である。 本稿では,不均衡な地球移動器距離(UDEMD)を,基礎となるグラフ上の不均衡なEMDを,不均衡な地球移動器距離(UDEMD)と呼ぶ距離に効率的に埋め込む方法を提案する。 これにより、大きなグラフ上で定義された多くの信号に対して、効率のよい近隣のカーネルがもたらされる。 次に,雑音に対して頑健なグラフ信号間の距離を与える方法を示す。 最後に、SNOMED-CT医療知識グラフ上のシグナルとしてモデル化された臨床記録に基づいて、遺伝子グラフ上のシグナルとしてモデル化されたリンパ芽細胞を埋め込み、PBMC細胞グラフ上のシグナルとしてモデル化された遺伝子を整理する。 いずれの場合も,UDEMDをベースとした埋め込みは,他の手法と比較して高精度な距離を求めることができる。

関連論文リスト

• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• Stable and Transferable Hyper-Graph Neural Networks [95.07035704188984]
  グラフニューラルネットワーク(GNN)を用いたハイパーグラフでサポートする信号処理アーキテクチャを提案する。 スペクトル類似性により任意のグラフにまたがってGNNの安定性と転送可能性の誤差をバウンドするフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-11-11T23:44:20Z)
• Tree Mover's Distance: Bridging Graph Metrics and Stability of Graph Neural Networks [54.225220638606814]
  本稿では,属性グラフの擬似測度,ツリー・モーバー距離(TMD)を提案し,その一般化との関係について検討する。 まず、TMDはグラフ分類に関連する特性をキャプチャし、単純なTMD-SVMは標準のGNNと競合することを示す。 第2に、分散シフトの下でのGNNの一般化とTMDを関連付け、そのようなシフト下での性能低下とよく相関していることを示す。
  論文  参考訳（メタデータ） (2022-10-04T21:03:52Z)
• AMA-GCN: Adaptive Multi-layer Aggregation Graph Convolutional Network for Disease Prediction [20.19380805655623]
  空間分布に応じて適切な表現型尺度を自動的に選択するエンコーダを提案する。 また,多層アグリゲーション機構を用いた新しいグラフ畳み込みネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-06-16T12:13:23Z)
• Diffusion Earth Mover's Distance and Distribution Embeddings [61.49248071384122]
  拡散は$tildeo(n)$ timeで計算でき、ツリーベースのような同様の高速アルゴリズムよりも正確である。 拡散は完全微分可能であり、深層ニューラルネットワークのような勾配拡散フレームワークの将来の使用に適している。
  論文  参考訳（メタデータ） (2021-02-25T13:18:32Z)
• A Hierarchical Graph Signal Processing Approach to Inference from Spatiotemporal Signals [14.416786768268233]
  グラフ信号処理(GSP)の新興領域を動機として,信号から推論を行う新しい手法を提案する。 本稿では,階層的特徴抽出手法の開発に活用する。 Kアグル発作検出コンテストの頭蓋内脳波(iEEG)データセットについて検討した。
  論文  参考訳（メタデータ） (2020-10-25T17:08:13Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。