Fugu-MT 論文翻訳(概要): Graph Coloring: Comparing Cluster Graphs to Factor Graphs

論文の概要: Graph Coloring: Comparing Cluster Graphs to Factor Graphs

arxiv url: http://arxiv.org/abs/2110.02048v1
Date: Tue, 5 Oct 2021 13:57:30 GMT
ステータス: 処理完了
システム内更新日: 2021-10-06 14:06:28.359243
Title: Graph Coloring: Comparing Cluster Graphs to Factor Graphs
Title（参考訳）: グラフカラー化:クラスタグラフとファクタグラフの比較
Authors: Simon Streicher and Johan du Preez
Abstract要約: 本稿では,確率的グラフィカルモデルを用いたグラフカラー化問題の定式化と解法を提案する。この目的のために因子グラフを使用する一般的な文献とは対照的に、クラスタグラフの観点からアプローチする。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a means of formulating and solving graph coloring problems with probabilistic graphical models. In contrast to the prevalent literature that uses factor graphs for this purpose, we instead approach it from a cluster graph perspective. Since there seems to be a lack of algorithms to automatically construct valid cluster graphs, we provide such an algorithm (termed LTRIP). Our experiments indicate a significant advantage for preferring cluster graphs over factor graphs, both in terms of accuracy as well as computational efficiency.
Abstract（参考訳）: 本稿では,確率的グラフィカルモデルを用いたグラフカラー化問題の定式化と解法を提案する。この目的のために因子グラフを使用する一般的な文献とは対照的に、クラスタグラフの観点からアプローチする。有効なクラスタグラフを自動構築するアルゴリズムが存在しないため、そのようなアルゴリズム(LTRIP)を提供する。本実験は,精度と計算効率の両面で,因子グラフよりもクラスタグラフの方が有利であることを示す。

関連論文リスト

The Graph Lottery Ticket Hypothesis: Finding Sparse, Informative Graph Structure [18.00833762891405]
Graph Lottery Ticket (GLT)仮説: グラフごとに非常に疎いバックボーンが存在する。本研究は,グラフ学習アルゴリズムの性能に直接影響を及ぼす関心の指標を8つ研究する。任意のグラフでこれらのGLTを見つけるための単純で効率的なアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-12-08T00:24:44Z)
Graph Mixup with Soft Alignments [49.61520432554505]
本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
論文参考訳（メタデータ） (2023-06-11T22:04:28Z)
Deep Graph-Level Clustering Using Pseudo-Label-Guided Mutual Information Maximization Network [31.38584638254226]
我々は、グラフの集合を異なるグループに分割する問題を、同じグループのグラフが類似しているのに対して、異なるグループのグラフが異なるように研究する。この問題を解決するために,Deep Graph-Level Clustering (DGLC) と呼ばれる新しい手法を提案する。 DGLCはグラフレベルの表現学習とグラフレベルのクラスタリングをエンドツーエンドで実現しています。
論文参考訳（メタデータ） (2023-02-05T12:28:08Z)
CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
論文参考訳（メタデータ） (2022-05-30T13:20:26Z)
Synthetic Graph Generation to Benchmark Graph Learning [7.914804101579097]
グラフ学習アルゴリズムは多くのグラフ解析タスクで最先端のパフォーマンスを達成した。 1つの理由は、グラフ学習アルゴリズムのパフォーマンスをベンチマークするために実際に使用されるデータセットが極めて少ないためである。本稿では,合成グラフの生成と,制御シナリオにおけるグラフ学習アルゴリズムの挙動について検討する。
論文参考訳（メタデータ） (2022-04-04T10:48:32Z)
Product Graph Learning from Multi-domain Data with Sparsity and Rank Constraints [17.15829643665034]
データからスパース製品グラフを学習するための効率的な反復解法を提案する。このソルバーを拡張して、製品グラフクラスタリングに応用したマルチコンポーネントグラフファクタを推論します。提案手法の有効性を,合成データと実データに関する数値実験を用いて実証した。
論文参考訳（メタデータ） (2020-12-15T04:59:32Z)
Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文参考訳（メタデータ） (2020-10-09T07:35:26Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
Wasserstein Embedding for Graph Learning [33.90471037116372]
Wasserstein Embedding for Graph Learning (WEGL)は、グラフ全体をベクトル空間に埋め込むフレームワークである。グラフ間の類似性をノード埋め込み分布間の類似性の関数として定義する上で,新たな知見を活用する。各種ベンチマークグラフ固有性予測タスクにおける新しいグラフ埋め込み手法の評価を行った。
論文参考訳（メタデータ） (2020-06-16T18:23:00Z)
Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文参考訳（メタデータ） (2020-03-12T22:31:59Z)
Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。