Fugu-MT 論文翻訳(概要): Room Classification on Floor Plan Graphs using Graph Neural Networks

論文の概要: Room Classification on Floor Plan Graphs using Graph Neural Networks

arxiv url: http://arxiv.org/abs/2108.05947v1
Date: Thu, 12 Aug 2021 19:59:22 GMT
ステータス: 処理完了
システム内更新日: 2021-08-16 21:58:26.764824
Title: Room Classification on Floor Plan Graphs using Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークを用いた床平面グラフの部屋分類
Authors: Abhishek Paudel, Roshan Dhakal and Sakshat Bhattarai
Abstract要約: 本研究では,建物床図を非方向性グラフとして表現することで,建物の床図上での部屋分類作業を改善する手法を提案する。フロアプランの部屋はグラフのノードとして表現され、エッジはマップの隣接性を表す。その結果,グラフニューラルネットワーク,特にGraphSAGEとTopology Adaptive GCNは,それぞれ80%と81%の精度を達成できた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present our approach to improve room classification task on floor plan maps of buildings by representing floor plans as undirected graphs and leveraging graph neural networks to predict the room categories. Rooms in the floor plans are represented as nodes in the graph with edges representing their adjacency in the map. We experiment with House-GAN dataset that consists of floor plan maps in vector format and train multilayer perceptron and graph neural networks. Our results show that graph neural networks, specifically GraphSAGE and Topology Adaptive GCN were able to achieve accuracy of 80% and 81% respectively outperforming baseline multilayer perceptron by more than 15% margin.
Abstract（参考訳）: 本稿では,床計画図を無向グラフとして表現し,グラフニューラルネットワークを用いて部屋分類を予測することにより,建物の床計画図の部屋分類タスクを改善する手法を提案する。フロアプランの部屋はグラフのノードとして表現され、エッジはマップの隣接性を表す。ベクター形式のフロアプランマップとマルチ層パーセプトロンとグラフニューラルネットワークを訓練するHouse-GANデータセットを実験した。以上の結果から,グラフニューラルネットワーク,特にGraphSAGEとTopology Adaptive GCNは,それぞれベースライン多層パーセプトロンの精度を15%以上向上させることができた。

関連論文リスト

Knowledge Probing for Graph Representation Learning [12.960185655357495]
グラフ表現学習において,グラフ学習手法のファミリーが異なるレベルの知識を符号化したかどうかを調査・解釈するための新しいグラフ探索フレームワーク(GraphProbe)を提案する。グラフの固有の性質に基づいて,異なる視点からグラフ表現学習過程を体系的に研究する3つのプローブを設計する。本研究では、ランダムウォークに基づく9つの代表的なグラフ学習手法、基本グラフニューラルネットワーク、自己教師付きグラフ手法を用いて、詳細な評価ベンチマークを構築し、ノード分類、リンク予測、グラフ分類のための6つのベンチマークデータセットでそれらを探索する。
論文参考訳（メタデータ） (2024-08-07T16:27:45Z)
Graph Convolutional Network For Semi-supervised Node Classification With Subgraph Sketching [0.27624021966289597]
本稿では,GLDGCNと呼ばれるグラフ学習型グラフ畳み込みニューラルネットワークを提案する。半教師付きノード分類タスクにGLDGCNを適用する。ベースライン手法と比較して,3つの引用ネットワークの分類精度が向上する。
論文参考訳（メタデータ） (2024-04-19T09:08:12Z)
GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラル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） (2024-01-17T13:04:23Z)
A Survey on Graph Classification and Link Prediction based on GNN [11.614366568937761]
本稿では,グラフ畳み込みニューラルネットワークの世界について述べる。グラフ畳み込みニューラルネットワークの基礎を詳述する。注意機構とオートエンコーダに基づいて、グラフニューラルネットワークモデルを解明する。
論文参考訳（メタデータ） (2023-07-03T09:08:01Z)
Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文参考訳（メタデータ） (2022-05-06T03:37:00Z)
Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文参考訳（メタデータ） (2022-03-03T09:53:53Z)
Capsule Graph Neural Networks with EM Routing [8.632437524560133]
本稿では、EMルーティング機構(CapsGNNEM)を用いて、高品質なグラフ埋め込みを生成する新しいCapsule Graph Neural Networkを提案する。多くの実世界のグラフデータセットに対する実験結果から、提案したCapsGNNEMはグラフ分類タスクにおいて9つの最先端モデルより優れていることが示された。
論文参考訳（メタデータ） (2021-10-18T06:23:37Z)
Graph Structure of Neural Networks [104.33754950606298]
ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
論文参考訳（メタデータ） (2020-07-13T17:59:31Z)
Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2020-07-08T19:48:19Z)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)
Customized Graph Neural Networks [38.30640892828196]
グラフニューラルネットワーク(GNN)は,グラフ分類のタスクを大幅に進歩させた。本稿では,新たにカスタマイズされたグラフニューラルネットワークフレームワークであるCustomized-GNNを提案する。提案するフレームワークは非常に一般的なもので,既存のグラフニューラルネットワークモデルにも適用可能である。
論文参考訳（メタデータ） (2020-05-22T05:22:24Z)

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。