論文の概要: A Deep Generative Model for Matrix Reordering
- arxiv url: http://arxiv.org/abs/2110.04971v1
- Date: Mon, 11 Oct 2021 02:55:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 20:53:19.913389
- Title: A Deep Generative Model for Matrix Reordering
- Title（参考訳）: 行列再構成のための深部生成モデル
- Authors: Oh-Hyun Kwon, Chiun-How Kao, Chun-houh Chen, Kwan-Liu Ma
- Abstract要約: グラフの様々な行列の並べ替えの潜在空間を学習する生成モデルを開発する。
学習した潜在空間から直感的なユーザインタフェースを構築し、様々な行列の並べ替えのマップを作成する。
本稿では,グラフの行列再順序生成を機械学習モデルで学習する,グラフの行列可視化に対する基本的新しいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 26.86727566323601
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Depending on the node ordering, an adjacency matrix can highlight distinct
characteristics of a graph. Deriving a "proper" node ordering is thus a
critical step in visualizing a graph as an adjacency matrix. Users often try
multiple matrix reorderings using different methods until they find one that
meets the analysis goal. However, this trial-and-error approach is laborious
and disorganized, which is especially challenging for novices. This paper
presents a technique that enables users to effortlessly find a matrix
reordering they want. Specifically, we design a generative model that learns a
latent space of diverse matrix reorderings of the given graph. We also
construct an intuitive user interface from the learned latent space by creating
a map of various matrix reorderings. We demonstrate our approach through
quantitative and qualitative evaluations of the generated reorderings and
learned latent spaces. The results show that our model is capable of learning a
latent space of diverse matrix reorderings. Most existing research in this area
generally focused on developing algorithms that can compute "better" matrix
reorderings for particular circumstances. This paper introduces a fundamentally
new approach to matrix visualization of a graph, where a machine learning model
learns to generate diverse matrix reorderings of a graph.
- Abstract（参考訳）: ノードの順序に応じて、隣接行列はグラフの異なる特徴を強調することができる。
したがって、"プロパ"ノード順序を導出することは、グラフを隣接行列として視覚化する上で重要なステップである。
ユーザーは分析の目標に合致するものを見つけるまで、異なる方法を使って複数の行列の再順序付けを試す。
しかし、この試行錯誤アプローチは精力的で、初心者にとっては特に困難である。
本稿では,ユーザが望む行列の並べ替えを自由に見つけることができる手法を提案する。
具体的には、与えられたグラフの様々な行列並べ替えの潜在空間を学習する生成モデルを設計する。
また,学習した潜在空間から直感的なユーザインタフェースを構築し,行列の並べ替えのマップを作成する。
提案手法は,生成した再順序と学習潜在空間の定量的,定性的な評価を通じて実証する。
その結果,本モデルは多様な行列の再順序付けの潜在空間を学習できることがわかった。
この分野の既存の研究のほとんどは、特定の状況で"better"行列の再順序付けを計算できるアルゴリズムの開発に焦点を当てている。
本稿では,グラフの行列再順序生成を機械学習モデルで学習する,グラフの行列可視化に対する基本的新しいアプローチを提案する。
関連論文リスト
- Attributed Multi-order Graph Convolutional Network for Heterogeneous
Graphs [29.618952407794783]
AMOGCN(AnAttributed Multi-Order Graph Convolutional Network)を提案する。
AMOGCNは最先端の競合に比べて優れた半教師付き分類性能を得る。
論文 参考訳（メタデータ） (2023-04-13T08:31:16Z) - Exploring ordered patterns in the adjacency matrix for improving machine
learning on complex networks [0.0]
提案手法は、複素グラフの隣接行列の要素を特定の順序で並べ替えるソートアルゴリズムを用いる。
結果のソートされた隣接行列は、特徴抽出と機械学習アルゴリズムの入力として使用され、ネットワークを分類する。
論文 参考訳（メタデータ） (2023-01-20T00:01:23Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳（メタデータ） (2022-10-21T13:19:45Z) - Graph Polynomial Convolution Models for Node Classification of
Non-Homophilous Graphs [52.52570805621925]
本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。
得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。
提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
論文 参考訳（メタデータ） (2022-09-12T04:46:55Z) - Permute Me Softly: Learning Soft Permutations for Graph Representations [26.581982471005674]
グラフニューラルネットワーク(GNN)は、グラフを用いた機械学習の主流パラダイムとして浮上している。
MPNNの研究は、主にメッセージパッシングニューラルネットワーク(MPNN)のファミリーに焦点を当てている。
論文 参考訳（メタデータ） (2021-10-05T08:20:51Z) - Sparse Quadratic Optimisation over the Stiefel Manifold with Application
to Permutation Synchronisation [71.27989298860481]
二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。
そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-30T19:17:35Z) - AutoLL: Automatic Linear Layout of Graphs based on Deep Neural Network [41.60125423028092]
本稿では, AutoLL と呼ばれる新しい一モード線形レイアウト手法を提案する。
我々は、指向性および非指向性ネットワークを並べ替えるための2種類のニューラルネットワークモデルであるAutoLL-DとAutoLL-Uを開発した。
論文 参考訳（メタデータ） (2021-08-05T08:04:15Z) - Deep Two-way Matrix Reordering for Relational Data Analysis [41.60125423028092]
行列の並べ替えは、与えられた行列の行と列をパーミュレートするタスクである。
本稿ではニューラルネットモデルを用いた新しい行列並べ替え手法Deep Two-way Matrix Reordering (DeepTMR)を提案する。
合成データセットと実用データセットの両方に適用することで,提案されたDeepTMRの有効性を実証する。
論文 参考訳（メタデータ） (2021-03-26T01:31:24Z) - Learning-Augmented Sketches for Hessians [54.97773807211337]
第二次手法の文脈でヘッセンの学習スケッチを設計する方法を紹介します。
学習したスケッチは,「学習されていない」スケッチと比較して,重要な問題に対する近似精度が向上することを示す。
論文 参考訳（メタデータ） (2021-02-24T14:50:59Z) - Permutation Invariant Graph Generation via Score-Based Generative
Modeling [114.12935776726606]
本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。
特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。
グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
論文 参考訳（メタデータ） (2020-03-02T03:06:14Z) - Optimal Iterative Sketching with the Subsampled Randomized Hadamard
Transform [64.90148466525754]
最小二乗問題に対する反復スケッチの性能について検討する。
本研究では、Haar行列とランダム化されたHadamard行列の収束速度が同一であることを示し、ランダムなプロジェクションを経時的に改善することを示した。
これらの手法は、ランダム化次元還元を用いた他のアルゴリズムにも適用することができる。
論文 参考訳（メタデータ） (2020-02-03T16:17:50Z)
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。