論文の概要: Models for information propagation on graphs

• arxiv url: http://arxiv.org/abs/2201.07577v1
• Date: Wed, 19 Jan 2022 12:59:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-20 15:23:30.455257
• Title: Models for information propagation on graphs
• Title（参考訳）: グラフ上での情報伝達モデル
• Authors: Oliver R. A. Dunbar, Charles M. Elliott and Lisa Maria Kreusser
• Abstract要約: 本稿では,グラフ上の情報伝達のための異なるモデルのクラスを提案し,統一する。 連続体設定における最初の到着時間モデルとアイコナル方程式の接続によって動機づけられた我々は、ユークリッド空間平均場限界のグラフがハミルトン-ヤコビ PDE に導かれることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this work we propose and unify classes of different models for information propagation over graphs. In a first class, propagation is modeled as a wave which emanates from a set of known nodes at an initial time, to all other unknown nodes at later times with an ordering determined by the time at which the information wave front reaches nodes. A second class of models is based on the notion of a travel time along paths between nodes. The time of information propagation from an initial known set of nodes to a node is defined as the minimum of a generalized travel time over subsets of all admissible paths. A final class is given by imposing a local equation of an eikonal form at each unknown node, with boundary conditions at the known nodes. The solution value of the local equation at a node is coupled the neighbouring nodes with smaller solution values. We provide precise formulations of the model classes in this graph setting, and prove equivalences between them. Motivated by the connection between first arrival time model and the eikonal equation in the continuum setting, we demonstrate that for graphs in the particular form of grids in Euclidean space mean field limits under grid refinement of certain graph models lead to Hamilton-Jacobi PDEs. For a specific parameter setting, we demonstrate that the solution on the grid approximates the Euclidean distance.
• Abstract（参考訳）: 本研究では,グラフ上の情報伝達のための異なるモデルのクラスを提案し,統一する。 第1のクラスでは、情報波前線がノードに到達した時刻によって決定された順序で、初期時刻に既知のノードの集合からその後のすべての未知のノードへ伝播する波としてモデル化される。 モデルの第2のクラスは、ノード間の経路に沿った移動時間の概念に基づいている。 初期既知のノードの集合からノードへの情報伝達時間は、全ての許容パスのサブセットに対する一般化された移動時間の最小値として定義される。 最終クラスは、既知のノードの境界条件を持つ未知の各ノードに固有形式の局所方程式を付与することによって与えられる。 ノードにおける局所方程式の解値は、隣接するノードをより小さな解値で結合する。 このグラフ設定において、モデルクラスの正確な定式化を提供し、それらの同値性を証明する。 連続体設定における最初の到着時間モデルと固有方程式の接続により、あるグラフモデルの格子洗練の下でユークリッド空間平均場限界の特定の形式の格子のグラフに対して、ハミルトン・ヤコビ PDE が導かれることを示す。 特定のパラメータの設定では、格子上の解がユークリッド距離に近似することを示す。

関連論文リスト

• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• Visiting Distant Neighbors in Graph Convolutional Networks [0.0]
  本稿では,グラフデータの深層学習のためのグラフ畳み込みネットワーク手法を,隣接ノードの高次化に拡張する。 この上位の隣人の訪問客は、オリジナル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） (2023-01-26T06:37:11Z)
• A Graph Regularized Point Process Model For Event Propagation Sequence [2.9093633827040724]
  ポイントプロセスは、不規則な間隔で発生するイベントシーケンスをモデル化するための支配的なパラダイムである。 本稿では,隣接ノード間のイベントインタラクションを特徴付けるグラフ正規化ポイントプロセスを提案する。 グラフ正規化法を適用することにより、GRPPはノード間の影響強度を明らかにすることによってモデル解釈可能性を提供する。
  論文  参考訳（メタデータ） (2022-11-21T04:49:59Z)
• Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs [51.51417735550026]
  時間的ネットワーク上での機械学習の方法は、一般的に2つの制限のうちの少なくとも1つを示す。 ネットワークのライングラフは,各インタラクションのノードを含むもので,インタラクション間の時間差に基づいて,このグラフのエッジを重み付けする。 実世界のネットワークにおける実験結果から,エッジ分類と時間リンク予測の両方において,本手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2022-09-30T18:24:13Z)
• Learning Expanding Graphs for Signal Interpolation [14.84852576248587]
  本稿では,特定のノードの確率と接続性によってパラメータ化された入ってくるノードに対するアタッチメントモデルを提案する。 コールドスタートのコラボレーティブレコメンデーションにおける実際のデータ処理について検討する。
  論文  参考訳（メタデータ） (2022-03-15T14:51:29Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• 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。

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。