論文の概要: Graph-LDA: Graph Structure Priors to Improve the Accuracy in Few-Shot Classification

• arxiv url: http://arxiv.org/abs/2108.10427v1
• Date: Mon, 23 Aug 2021 21:55:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-25 14:15:13.764209
• Title: Graph-LDA: Graph Structure Priors to Improve the Accuracy in Few-Shot Classification
• Title（参考訳）: Graph-LDA:Few-Shot分類の精度向上に先立つグラフ構造
• Authors: Myriam Bontonou, Nicolas Farrugia, Vincent Gripon
• Abstract要約: 本稿では、2つのノイズ源で観測されたクラス信号が劣化することが想定されるジェネリックモデルを提案する。 このような信号を分類する最適な手法を導出する。 この手法には単一のパラメータが含まれており、利用可能なデータが不足している場合に特に適している。
• 参考スコア（独自算出の注目度）: 6.037383467521294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is very common to face classification problems where the number of available labeled samples is small compared to their dimension. These conditions are likely to cause underdetermined settings, with high risk of overfitting. To improve the generalization ability of trained classifiers, common solutions include using priors about the data distribution. Among many options, data structure priors, often represented through graphs, are increasingly popular in the field. In this paper, we introduce a generic model where observed class signals are supposed to be deteriorated with two sources of noise, one independent of the underlying graph structure and isotropic, and the other colored by a known graph operator. Under this model, we derive an optimal methodology to classify such signals. Interestingly, this methodology includes a single parameter, making it particularly suitable for cases where available data is scarce. Using various real datasets, we showcase the ability of the proposed model to be implemented in real world scenarios, resulting in increased generalization accuracy compared to popular alternatives.
• Abstract（参考訳）: 利用可能なラベル付きサンプルの数がそれらの次元よりも少ない分類問題に直面するのは非常に一般的である。 これらの条件は不確定な設定を引き起こす可能性が高く、過剰適合のリスクが高い。 訓練された分類器の一般化能力を改善するために、一般的なソリューションには、データ分散に関する事前の使用が含まれる。 多くの選択肢の中で、グラフを通して表現されるデータ構造先行は、この分野でますます人気がある。 本稿では,観測されたクラス信号が,基礎となるグラフ構造と等方性に依存せず,一方が既知のグラフ演算子によって色付けされた2つのノイズ源で劣化することが想定されるジェネリックモデルを提案する。 このモデルでは、そのような信号を分類する最適な手法を導出する。 興味深いことに、この方法論は単一のパラメータを含み、利用可能なデータが不足している場合に特に適している。 様々な実データを用いて,提案モデルが現実のシナリオに実装可能であることを示し,一般的な代替モデルと比較して一般化精度が向上することを示した。

関連論文リスト

• Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
  グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。 本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。 我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
  論文  参考訳（メタデータ） (2024-11-08T17:40:43Z)
• A Complete Decomposition of KL Error using Refined Information and Mode Interaction Selection [11.994525728378603]
  我々は高次モード相互作用に着目したログ線形モデルの古典的定式化を再考する。 学習した分布は、実際に利用可能な有限量のデータをより効率的に利用することができる。
  論文  参考訳（メタデータ） (2024-10-15T18:08:32Z)
• Generated Graph Detection [27.591612297045817]
  グラフ生成モデルは、データ分散近似とデータ拡張にますます効果的になる。 4つの分類シナリオにおいて、洗練されたモデルの集合とその性能を調査する最初のフレームワークを提案する。 私たちのソリューションは、生成されたグラフの誤用を抑制するのに十分な期間維持できます。
  論文  参考訳（メタデータ） (2023-06-13T13:18:04Z)
• Optimality of Message-Passing Architectures for Sparse Graphs [13.96547777184641]
  スパース設定における特徴デコレーショングラフ上のノード分類問題、すなわちノードの期待次数がノード数で$O(1)$である場合について検討する。 局所ベイズ最適性(英語版)と呼ばれるノード分類タスクに対するベイズ最適性(英語版)の概念を導入する。 最適なメッセージパッシングアーキテクチャは,低グラフ信号のレギュレーションにおける標準と高グラフ信号のレギュレーションにおける典型とを補間することを示す。
  論文  参考訳（メタデータ） (2023-05-17T17:31:20Z)
• 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)
• Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties [62.997667081978825]
  医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。 この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。 オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
  論文  参考訳（メタデータ） (2021-12-15T18:56:39Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Graph Classification by Mixture of Diverse Experts [67.33716357951235]
  我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。 実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-29T14:03:03Z)
• Imputation of Missing Data with Class Imbalance using Conditional Generative Adversarial Networks [24.075691766743702]
  そこで本研究では,そのクラス固有の特徴に基づいて,欠落したデータを出力する新しい手法を提案する。 CGAIN(Con Conditional Generative Adversarial Imputation Network)は、クラス固有の分布を用いて、欠落したデータをインプットする。 提案手法をベンチマークデータセットで検証し,最先端の計算手法や一般的な計算手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2020-12-01T02:26:54Z)
• Geometric graphs from data to aid classification tasks with graph convolutional networks [0.0]
  データセットに付加的な関係情報が得られなくても,特徴量自体から幾何グラフを構築して分類を改善することができることを示す。 分類精度の向上は、比較的低いエッジ密度のサンプル類似性をキャプチャするグラフによって最大化される。
  論文  参考訳（メタデータ） (2020-05-08T15:00:45Z)
• 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。