論文の概要: VisGraphNet: a complex network interpretation of convolutional neural features

• arxiv url: http://arxiv.org/abs/2108.12490v1
• Date: Fri, 27 Aug 2021 20:21:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-01 10:30:37.611121
• Title: VisGraphNet: a complex network interpretation of convolutional neural features
• Title（参考訳）: VisGraphNet:畳み込みニューラル特徴の複雑なネットワーク解釈
• Authors: Joao B. Florindo, Young-Sup Lee, Kyungkoo Jun, Gwanggil Jeon, Marcelo K. Albertini
• Abstract要約: ニューラルネットワークの特徴マップをモデル化するための可視性グラフの提案と検討を行う。 この研究は、元のデータよりもこれらのグラフによって提供される別の視点によって動機付けられている。
• 参考スコア（独自算出の注目度）: 6.50413414010073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Here we propose and investigate the use of visibility graphs to model the feature map of a neural network. The model, initially devised for studies on complex networks, is employed here for the classification of texture images. The work is motivated by an alternative viewpoint provided by these graphs over the original data. The performance of the proposed method is verified in the classification of four benchmark databases, namely, KTHTIPS-2b, FMD, UIUC, and UMD and in a practical problem, which is the identification of plant species using scanned images of their leaves. Our method was competitive with other state-of-the-art approaches, confirming the potential of techniques used for data analysis in different contexts to give more meaningful interpretation to the use of neural networks in texture classification.
• Abstract（参考訳）: 本稿では,ニューラルネットワークの特徴マップをモデル化するための可視性グラフの利用を提案し,検討する。 複雑なネットワークの研究のために最初に考案されたこのモデルは、テクスチャ画像の分類に使用される。 この研究は、元のデータの上にこれらのグラフによって提供される別の視点によって動機づけられている。 提案手法の性能は, KTHTIPS-2b, FMD, UIUC, UMDの4つのベンチマークデータベースの分類において検証され, 葉のスキャン画像を用いて植物種の同定を行う。 本手法は他の最先端手法と競合し,テクスチャ分類におけるニューラルネットワークの利用についてより意味のある解釈を行うために,異なる文脈におけるデータ解析技術の可能性を確認した。

関連論文リスト

• 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)
• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• Classification of vertices on social networks by multiple approaches [1.370151489527964]
  ソーシャルネットワークの場合、個別のコミュニティのラベルを評価することが不可欠である。 これらのインタラクションベースのエンティティそれぞれに対して、テストベンチリポジトリとして、ソーシャルグラフ、メーリングデータセット、および2つの引用セットが選択される。 本論文は,最も有用な手法だけでなく,グラフニューラルネットワークの動作方法も検討した。
  論文  参考訳（メタデータ） (2023-01-13T09:42:55Z)
• Text Representation Enrichment Utilizing Graph based Approaches: Stock Market Technical Analysis Case Study [0.0]
  本稿では,教師なしノード表現学習モデルとノード分類/エッジ予測モデルを組み合わせたトランスダクティブハイブリッド手法を提案する。 提案手法は,この分野における最初の研究である株式市場の技術分析報告を分類するために開発された。
  論文  参考訳（メタデータ） (2022-11-29T11:26:08Z)
• Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
  画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。 最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。 本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
  論文  参考訳（メタデータ） (2022-01-15T01:54:25Z)
• Graph Representation Learning for Spatial Image Steganalysis [11.358487655918678]
  空間画像ステガナリシスのためのグラフ表現学習アーキテクチャを提案する。 詳細なアーキテクチャでは、各画像をグラフに変換し、ノードは画像のパッチを表し、エッジはパッチ間の局所的な関連を示す。 注意ネットワークにグラフを供給することにより、効率的なステガナリシスのための識別的特徴を学習することができる。
  論文  参考訳（メタデータ） (2021-10-03T09:09:08Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Learning Local Complex Features using Randomized Neural Networks for Texture Analysis [0.1474723404975345]
  テクスチャ解析のための学習手法と複雑ネットワーク(CN)理論を組み合わせた新しい手法を提案する。 この方法はCNの表現能力を利用してテクスチャイメージを有向ネットワークとしてモデル化する。 このニューラルネットワークは、単一の隠蔽層を持ち、高速学習アルゴリズムを使用して、テクスチャのキャラクタリゼーションのためにローカルなCNパターンを学習することができる。
  論文  参考訳（メタデータ） (2020-07-10T23:18:01Z)
• 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)

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。