論文の概要: Fast Hypergraph Regularized Nonnegative Tensor Ring Factorization Based
on Low-Rank Approximation
- arxiv url: http://arxiv.org/abs/2109.02314v1
- Date: Mon, 6 Sep 2021 09:24:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-08 00:49:56.171138
- Title: Fast Hypergraph Regularized Nonnegative Tensor Ring Factorization Based
on Low-Rank Approximation
- Title（参考訳）: 低ランク近似に基づく高速ハイパーグラフ正規化非負テンソルリング因子化
- Authors: Xinhai Zhao, Yuyuan Yu, Guoxu Zhou, Qibin Zhao, Weijun Sun
- Abstract要約: 多様体学習を用いた非負テンソルリング(NTR)分解は多次元構造を利用するための有望なモデルとなっている。
本稿では,NTRの枠組みにハイパーグラフを導入し,特徴抽出をさらに強化する。
計算複雑性を低減し,ノイズを抑制するため,HGNTRの高速化に低ランク近似手法を適用した。
- 参考スコア（独自算出の注目度）: 19.43953011889585
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For the high dimensional data representation, nonnegative tensor ring (NTR)
decomposition equipped with manifold learning has become a promising model to
exploit the multi-dimensional structure and extract the feature from tensor
data. However, the existing methods such as graph regularized tensor ring
decomposition (GNTR) only models the pair-wise similarities of objects. For
tensor data with complex manifold structure, the graph can not exactly
construct similarity relationships. In this paper, in order to effectively
utilize the higher-dimensional and complicated similarities among objects, we
introduce hypergraph to the framework of NTR to further enhance the feature
extraction, upon which a hypergraph regularized nonnegative tensor ring
decomposition (HGNTR) method is developed. To reduce the computational
complexity and suppress the noise, we apply the low-rank approximation trick to
accelerate HGNTR (called LraHGNTR). Our experimental results show that compared
with other state-of-the-art algorithms, the proposed HGNTR and LraHGNTR can
achieve higher performance in clustering tasks, in addition, LraHGNTR can
greatly reduce running time without decreasing accuracy.
- Abstract（参考訳）: 高次元データ表現のために、多様体学習を備えた非負テンソルリング(NTR)分解は、多次元構造を利用してテンソルデータから特徴を抽出する有望なモデルとなっている。
しかし、グラフ正規化テンソル環分解(GNTR)のような既存の手法は、オブジェクトのペアワイズ類似性のみをモデル化する。
複素多様体構造を持つテンソルデータに対して、グラフは正確に類似性関係を構成することはできない。
本稿では,物体間の高次元および複雑な類似性を効果的に活用するために,NTRの枠組みにハイパーグラフを導入して特徴抽出をさらに強化し,ハイパーグラフ正規化非負テンソルリング分解法(HGNTR)を開発した。
計算複雑性を低減し雑音を抑制するため,低ランク近似手法を用いてhgntr (lrahgntr) を高速化する。
実験の結果,提案したHGNTRとLraHGNTRは,他の最先端アルゴリズムと比較してクラスタリングタスクにおいて高い性能を達成でき,LraHGNTRは精度を低下させることなく実行時間を劇的に短縮できることがわかった。
関連論文リスト
- Efficient Heterogeneous Graph Learning via Random Projection [65.65132884606072]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳（メタデータ） (2023-10-23T01:25:44Z) - Robust Data Clustering with Outliers via Transformed Tensor Low-Rank Representation [4.123899820318987]
テンソルローランク表現 (TLRR) はテンソルデータリカバリとクラスタリングの一般的なツールとなっている。
本稿では,外乱テンソル低ランク表現(OR-TLRR)を開発する。
OR-TLRRは、t-SVDフレームワークに基づいて、外部検出とテンソルデータクラスタリングを同時に提供する。
論文 参考訳（メタデータ） (2023-07-18T08:11:08Z) - Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。
THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。
3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文 参考訳（メタデータ） (2023-06-05T03:26:06Z) - Scalable and Robust Tensor Ring Decomposition for Large-scale Data [12.02023514105999]
本稿では,大規模テンソルデータに欠落したエントリと粗悪な破損を扱えるスケーラブルで堅牢なTR分解アルゴリズムを提案する。
まず, 欠落したエントリを適応的に満たし, 分解過程における外れ値の同定が可能な, 自己重み付き急勾配降下法を開発した。
論文 参考訳（メタデータ） (2023-05-15T22:08:47Z) - Deep Graph Neural Networks via Flexible Subgraph Aggregation [50.034313206471694]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習し、近隣情報を集約することでノードの表現を学ぶ。
本稿では,サブグラフアグリゲーションの観点から,GNNの表現力を評価する。
サブグラフアグリゲーションの異なるホップをより柔軟に活用できるサンプリングベースノードレベル残余モジュール(SNR)を提案する。
論文 参考訳（メタデータ） (2023-05-09T12:03:42Z) - Fast Learnings of Coupled Nonnegative Tensor Decomposition Using Optimal Gradient and Low-rank Approximation [7.265645216663691]
交互勾配法(CoNCPD-APG)により最適化された新しい非負のCANDECOMP/PARAFAC分解アルゴリズムを提案する。
提案手法は,低ランク近似をCONCPD-APG法と組み合わせることで,分解品質を損なうことなく計算負担を大幅に削減することができる。
論文 参考訳（メタデータ） (2023-02-10T08:49:36Z) - Efficient Relation-aware Neighborhood Aggregation in Graph Neural
Networks via Tensor Decomposition [6.596002578395149]
本稿では,テンソル分解を集約関数に組み込んだ一般知識グラフを提案する。
我々のモデルでは、近傍の実体は低ランクテンソルの射影行列を用いて変換される。
本稿では,CP分解を用いたコアテンソルの低ランク推定手法を提案する。
論文 参考訳（メタデータ） (2022-12-11T19:07:34Z) - Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。
本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。
実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
論文 参考訳（メタデータ） (2022-07-14T06:17:00Z) - Score matching enables causal discovery of nonlinear additive noise
models [63.93669924730725]
次世代のスケーラブル因果発見手法の設計方法について述べる。
本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
論文 参考訳（メタデータ） (2022-03-08T21:34:46Z) - Counting Substructures with Higher-Order Graph Neural Networks:
Possibility and Impossibility Results [58.277290855841976]
グラフニューラルネットワーク(GNN)の計算コストと表現力のトレードオフについて検討する。
新しいモデルでは、$k$のサブグラフをカウントでき、低次GNNの既知の制限を克服できることを示す。
いくつかの場合において、提案アルゴリズムは既存の高階$k$-GNNに比べて計算量を大幅に削減することができる。
論文 参考訳（メタデータ） (2020-12-06T03:42:54Z) - Graph Regularized Nonnegative Tensor Ring Decomposition for Multiway
Representation Learning [38.70369173200596]
非負のテンソルリング(NTR)分解とグラフ正規化NTR(GNTR)分解を提案する。
提案アルゴリズムは、より解釈可能で意味のある表現を提供するテンソルオブジェクトから、リッチな色とリッチな線で部品ベースを抽出することができる。
論文 参考訳（メタデータ） (2020-10-12T12:54:20Z)
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。