Fugu-MT 論文翻訳(概要): TopoDetect: Framework for Topological Features Detection in Graph Embeddings

論文の概要: TopoDetect: Framework for Topological Features Detection in Graph Embeddings

arxiv url: http://arxiv.org/abs/2110.04173v1
Date: Fri, 8 Oct 2021 14:54:53 GMT
ステータス: 処理完了
システム内更新日: 2021-10-11 13:54:50.299939
Title: TopoDetect: Framework for Topological Features Detection in Graph Embeddings
Title（参考訳）: TopoDetect: グラフ埋め込みにおけるトポロジ的特徴検出フレームワーク
Authors: Maroun Haddad and Mohamed Bouguessa
Abstract要約: TopoDetectはPythonパッケージで、ユーザーはグラフ表現モデルの埋め込みに重要なトポロジ的機能が保存されているかどうかを調査できる。このフレームワークは、ノード間のトポロジ的特徴の分布に応じた埋め込みの可視化を可能にする。
参考スコア（独自算出の注目度）: 1.005130974691351
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: TopoDetect is a Python package that allows the user to investigate if important topological features, such as the Degree of the nodes, their Triangle Count, or their Local Clustering Score, are preserved in the embeddings of graph representation models. Additionally, the framework enables the visualization of the embeddings according to the distribution of the topological features among the nodes. Moreover, TopoDetect enables us to study the effect of the preservation of these features by evaluating the performance of the embeddings on downstream learning tasks such as clustering and classification.
Abstract（参考訳）: topodetectはpythonパッケージで、ノードの程度、三角形の数、あるいは局所クラスタリングスコアといった重要なトポロジ的特徴がグラフ表現モデルの埋め込みに保存されているかどうかをユーザが調査できる。さらに、このフレームワークは、ノード間のトポロジ的特徴の分布に応じた埋め込みの可視化を可能にする。さらに,TopoDetectにより,クラスタリングや分類などの下流学習タスクにおける埋め込みの性能を評価することで,これらの特徴の保存効果を検証できる。

関連論文リスト

Feature graphs for interpretable unsupervised tree ensembles: centrality, interaction, and application in disease subtyping [0.24578723416255746]
特徴の選択は、モデルの解釈可能性を高める上で重要な役割を担います。決定木を集約することで得られる精度は、解釈可能性の犠牲となる。この研究では、教師なしランダムな森林から特徴グラフを構築するための新しい手法を紹介した。
論文参考訳（メタデータ） (2024-04-27T12:47:37Z)
BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文参考訳（メタデータ） (2023-07-28T00:44:57Z)
Hierarchical Multiresolution Feature- and Prior-based Graphs for Classification [3.1219977244201056]
多分解能近傍グラフの3つの変種と階層的条件付きランダムフィールドのグラフの分類問題を定式化した。これらのグラフはそれぞれ重み付けされ、無向的であり、したがって空間的あるいは階層的な関係をあらゆる方向に組み込むことができた。空間特徴に基づく部分グラフのエッジ重みを導出する新しいメカニズムを用いてランダムなウォーカーグラフ上に拡張した。
論文参考訳（メタデータ） (2023-06-03T15:58:38Z)
Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文参考訳（メタデータ） (2023-05-31T11:04:53Z)
Rethinking Persistent Homology for Visual Recognition [27.625893409863295]
本稿では,様々な訓練シナリオにおける画像分類におけるトポロジ的特性の有効性を詳細に分析する。例えば、小さなデータセット上で単純なネットワークをトレーニングするなど、トポロジ的特徴から最も恩恵を受けるシナリオを特定します。
論文参考訳（メタデータ） (2022-07-09T08:01:11Z)
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)
Exploring the Representational Power of Graph Autoencoder [1.005130974691351]
グラフオートエンコーダの第1層には,Degree,Local Clustering Score,Interferness Centrality,Eigenvector Centrality,Triangle Countが保存されている。また、そのような特性を持つモデルが、特定の下流タスク、特にそのタスクに関連のある保存機能において、他のモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2021-06-22T18:23:26Z)
Persistent Homology and Graphs Representation Learning [0.7734726150561088]
永続ホモロジーで利用可能なツールを用いて,ノードグラフ表現埋め込みに符号化される位相不変性について検討する。私たちの構造は、グラフレベルとノードレベルの両方で、ユニークな永続化ベースのグラフディスクリプタを効果的に定義します。提案手法の有効性を実証するため,DeepWalk,Node2Vec,Diff2Vecのトポロジカル記述子について検討した。
論文参考訳（メタデータ） (2021-02-25T15:26:21Z)
Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文参考訳（メタデータ） (2020-05-16T04:44:29Z)
Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文参考訳（メタデータ） (2020-05-15T09:17:08Z)
Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。