論文の概要: Random Feature Approximation for Online Nonlinear Graph Topology Identification

• arxiv url: http://arxiv.org/abs/2110.09935v1
• Date: Tue, 19 Oct 2021 12:48:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-20 15:10:13.999108
• Title: Random Feature Approximation for Online Nonlinear Graph Topology Identification
• Title（参考訳）: オンライン非線形グラフトポロジー同定のためのランダム特徴近似
• Authors: Rohan Money, Joshin Krishnan, Baltasar Beferull-Lozano
• Abstract要約: グラフトポロジ推定のためのカーネルベースのアルゴリズムを提案する。 私たちは、現実世界のネットワークが希少なトポロジを示すことが多いという事実を利用しています。 実データおよび合成データを用いて行った実験により,提案手法が競合より優れていることが示された。
• 参考スコア（独自算出の注目度）: 7.992550355579789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online topology estimation of graph-connected time series is challenging, especially since the causal dependencies in many real-world networks are nonlinear. In this paper, we propose a kernel-based algorithm for graph topology estimation. The algorithm uses a Fourier-based Random feature approximation to tackle the curse of dimensionality associated with the kernel representations. Exploiting the fact that the real-world networks often exhibit sparse topologies, we propose a group lasso based optimization framework, which is solve using an iterative composite objective mirror descent method, yielding an online algorithm with fixed computational complexity per iteration. The experiments conducted on real and synthetic data show that the proposed method outperforms its competitors.
• Abstract（参考訳）: グラフ連結時系列のオンライントポロジー推定は、多くの実世界のネットワークの因果依存性が非線形であるため、特に難しい。 本稿では,グラフトポロジ推定のためのカーネルベースアルゴリズムを提案する。 このアルゴリズムは、フーリエに基づくランダム特徴近似を用いて、カーネル表現に関連する次元の呪いに取り組む。 実世界のネットワークは、しばしば希少なトポロジを示すという事実を露呈し、反復的合成客観的ミラー降下法を用いて解決し、反復ごとに一定の複雑性を持つオンラインアルゴリズムを生成するグループラッソに基づく最適化フレームワークを提案する。 実データおよび合成データを用いて行った実験により,提案手法が競合より優れていることが示された。

関連論文リスト

• Hybrid Top-Down Global Causal Discovery with Local Search for Linear and Nonlinear Additive Noise Models [2.0738462952016232]
  関数因果モデルに基づく手法は、ユニークなグラフを識別することができるが、次元性の呪いや強いパラメトリックな仮定を課すことに苦しむ。 本研究では,局所的な因果構造を利用した観測データにおけるグローバル因果発見のための新しいハイブリッド手法を提案する。 我々は, 合成データに対する実証的な検証を行い, 正確性および最悪の場合の時間複雑度を理論的に保証する。
  論文  参考訳（メタデータ） (2024-05-23T12:28:16Z)
• Network Topology Inference with Sparsity and Laplacian Constraints [18.447094648361453]
  我々はラプラシアの制約付きガウス図形モデルを用いてネットワークトポロジに取り組む。 この問題を解決するために,効率的なプロジェクションアルゴリズムが開発された。
  論文  参考訳（メタデータ） (2023-09-02T15:06:30Z)
• 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)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• A Differentiable Approach to Combinatorial Optimization using Dataless Neural Networks [20.170140039052455]
  我々は、ソリューションを生成するニューラルネットワークのトレーニングにデータを必要としないという、根本的に異なるアプローチを提案する。 特に、最適化問題をニューラルネットワークに還元し、データレストレーニングスキームを用いて、それらのパラメータが関心の構造をもたらすように、ネットワークのパラメータを洗練する。
  論文  参考訳（メタデータ） (2022-03-15T19:21:31Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-Based Human Action Recognition [97.14064057840089]
  本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。 骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
  論文  参考訳（メタデータ） (2020-11-11T09:57:49Z)
• Learning Fast Approximations of Sparse Nonlinear Regression [50.00693981886832]
  本研究では,Threshold Learned Iterative Shrinkage Algorithming (NLISTA)を導入することでギャップを埋める。 合成データを用いた実験は理論結果と相関し,その手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-26T11:31:08Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。