Fugu-MT 論文翻訳(概要): Accelerated Graph Learning from Smooth Signals

論文の概要: Accelerated Graph Learning from Smooth Signals

arxiv url: http://arxiv.org/abs/2110.09677v1
Date: Tue, 19 Oct 2021 01:02:57 GMT
ステータス: 処理完了
システム内更新日: 2021-10-20 14:33:23.243236
Title: Accelerated Graph Learning from Smooth Signals
Title（参考訳）: 滑らかな信号からの高速化グラフ学習
Authors: Seyed Saman Saboksayr and Gonzalo Mateos
Abstract要約: 高速な双対ベース近位勾配アルゴリズムは, 強い凸, 滑らか性に則ったネットワーク逆問題に対処するために開発された。既存の解法とは異なり、新しい反復法はグローバル収束率を保証するとともに、追加のステップサイズチューニングを必要としない。
参考スコア（独自算出の注目度）: 10.426964757656743
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We consider network topology identification subject to a signal smoothness prior on the nodal observations. A fast dual-based proximal gradient algorithm is developed to efficiently tackle a strongly convex, smoothness-regularized network inverse problem known to yield high-quality graph solutions. Unlike existing solvers, the novel iterations come with global convergence rate guarantees and do not require additional step-size tuning. Reproducible simulated tests demonstrate the effectiveness of the proposed method in accurately recovering random and real-world graphs, markedly faster than state-of-the-art alternatives and without incurring an extra computational burden.
Abstract（参考訳）: 結節観測に先立って,信号の滑らかさを考慮したネットワークトポロジ同定を行った。高速双対型近位勾配アルゴリズムを開発し,高品位グラフ解を得られることで知られる,強凸,平滑度正規化ネットワーク逆問題に効率的に取り組む。既存の解法とは異なり、新しい反復はグローバル収束率を保証するとともに、追加のステップサイズチューニングを必要としない。再現可能なシミュレーションテストは, 提案手法の有効性を実証し, ランダムグラフや実世界のグラフを精度良く復元し, 最先端のグラフよりも著しく高速で, 余分な計算負荷を伴わないことを示した。

関連論文リスト

Automated Design of Linear Bounding Functions for Sigmoidal Nonlinearities in Neural Networks [23.01933325606068]
既存の完全検証技術は、すべての堅牢性クエリに対して証明可能な保証を提供するが、小さなニューラルネットワークを超えてスケールするのに苦労する。本稿では,これらの線形近似の品質向上のためのパラメータ探索手法を提案する。具体的には、最先端のアルゴリズム構成手法によって与えられた検証問題に慎重に適応する単純な探索手法を用いることで、最先端技術よりも平均で25%のグローバルローバウンドを向上することを示す。
論文参考訳（メタデータ） (2024-06-14T16:16:26Z)
Gegenbauer Graph Neural Networks for Time-varying Signal Reconstruction [4.6210788730570584]
時間変化グラフ信号は、幅広い応用を伴う機械学習と信号処理において重要な問題である。本稿では,下流タスクの精度を高めるために学習モジュールを組み込んだ新しい手法を提案する。提案手法の有効性を評価するために,実データセットに関する広範な実験を行った。
論文参考訳（メタデータ） (2024-03-28T19:29:17Z)
Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
論文参考訳（メタデータ） (2023-10-17T05:03:00Z)
Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文参考訳（メタデータ） (2023-03-03T08:17:47Z)
Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文参考訳（メタデータ） (2022-05-06T03:37:00Z)
Learning Sparse Graphs via Majorization-Minimization for Smooth Node Signals [8.140698535149042]
本稿では,その隣接行列を推定することにより,スパース重み付きグラフを学習するアルゴリズムを提案する。提案アルゴリズムは,本論文におけるいくつかの既存手法よりも,平均反復回数の観点から,より高速に収束することを示す。
論文参考訳（メタデータ） (2022-02-06T17:06:13Z)
Improved Overparametrization Bounds for Global Convergence of Stochastic Gradient Descent for Shallow Neural Networks [1.14219428942199]
本研究では,1つの隠れ層フィードフォワードニューラルネットワークのクラスに対して,勾配降下アルゴリズムのグローバル収束に必要な過パラメトリゼーション境界について検討する。
論文参考訳（メタデータ） (2022-01-28T11:30:06Z)
Graph Signal Restoration Using Nested Deep Algorithm Unrolling [85.53158261016331]
グラフ信号処理は、センサー、社会交通脳ネットワーク、ポイントクラウド処理、グラフネットワークなど、多くのアプリケーションにおいてユビキタスなタスクである。凸非依存型深部ADMM(ADMM)に基づく2つの復元手法を提案する。提案手法のパラメータはエンドツーエンドでトレーニング可能である。
論文参考訳（メタデータ） (2021-06-30T08:57:01Z)
Non-Gradient Manifold Neural Network [79.44066256794187]
ディープニューラルネットワーク(DNN)は通常、勾配降下による最適化に数千のイテレーションを要します。非次最適化に基づく新しい多様体ニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-06-15T06:39:13Z)
Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文参考訳（メタデータ） (2021-03-01T08:25:26Z)
A Novel Learnable Gradient Descent Type Algorithm for Non-convex Non-smooth Inverse Problems [3.888272676868008]
本稿では,汎用アーキテクチャとニューラルネットワークを用いた逆問題の解法を提案する。提案したネットワークは, 画像問題に対して, 効率と結果の点で, 状態再構成法よりも優れていた。
論文参考訳（メタデータ） (2020-03-15T03:44:43Z)

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。