Fugu-MT 論文翻訳(概要): Exploring Graph Representation of Chorales

論文の概要: Exploring Graph Representation of Chorales

arxiv url: http://arxiv.org/abs/2201.11745v1
Date: Thu, 27 Jan 2022 09:46:10 GMT
ステータス: 処理完了
システム内更新日: 2022-02-01 13:59:57.024202
Title: Exploring Graph Representation of Chorales
Title（参考訳）: コーラスのグラフ表現の探求
Authors: Somnuk Phon-Amnuaisuk
Abstract要約: この研究は、重複する領域の音楽、グラフ理論、機械学習を探索する。ノードの埋め込み表現は、重み付けされた無向グラフ $mathcalG$ において、埋め込み空間におけるノードの意味をキャプチャする表現である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work explores areas overlapping music, graph theory, and machine learning. An embedding representation of a node, in a weighted undirected graph $\mathcal{G}$, is a representation that captures the meaning of nodes in an embedding space. In this work, 383 Bach chorales were compiled and represented as a graph. Two application cases were investigated in this paper (i) learning node embedding representation using \emph{Continuous Bag of Words (CBOW), skip-gram}, and \emph{node2vec} algorithms, and (ii) learning node labels from neighboring nodes based on a collective classification approach. The results of this exploratory study ascertains many salient features of the graph-based representation approach applicable to music applications.
Abstract（参考訳）: この研究は、重なり合う音楽、グラフ理論、機械学習を探求する。ノードの埋め込み表現は、重み付けされた無向グラフ $\mathcal{G}$ において、埋め込み空間におけるノードの意味をキャプチャする表現である。この作品では、383のバッハ合唱曲が編纂され、グラフとして表現された。本論文では2つの応用事例について検討した。 i) 単語のemph{Continuous Bag of Words (CBOW), skip-gram}, \emph{node2vec}アルゴリズムを用いたノード埋め込み表現の学習 (ii)集団分類アプローチに基づく隣接ノードからのノードラベルの学習本研究の結果は,音楽アプリケーションに適用可能なグラフベース表現手法の優れた特徴を多数確認した。

関連論文リスト

Local Structure-aware Graph Contrastive Representation Learning [12.554113138406688]
複数のビューからノードの構造情報をモデル化するための局所構造対応グラフ比較表現学習法(LS-GCL)を提案する。ローカルビューでは、各ターゲットノードのセマンティックサブグラフが共有GNNエンコーダに入力され、サブグラフレベルに埋め込まれたターゲットノードを取得する。グローバルな視点では、元のグラフはノードの必要不可欠な意味情報を保存しているので、共有GNNエンコーダを利用して、グローバルなグラフレベルでターゲットノードの埋め込みを学習する。
論文参考訳（メタデータ） (2023-08-07T03:23:46Z)
Local Graph Embeddings Based on Neighbors Degree Frequency of Nodes [0.0]
本稿では,ノードの特定の局所的特徴とベクトル表現を定義することによって,グラフ機械学習とネットワーク解析の戦略を提案する。 Breath-First Search を通じてノードの次数の概念を拡張することにより、bf 中心関数の一般族が定義される。これらの局所的な特徴に深層学習を適用することで、中心性と近接性を学ぶことができることを示す。
論文参考訳（メタデータ） (2022-07-30T07:07:30Z)
Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
論文参考訳（メタデータ） (2022-06-11T04:05:29Z)
Embedding Graphs on Grassmann Manifold [31.42901131602713]
本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。 EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
論文参考訳（メタデータ） (2022-05-30T12:56:24Z)
COLOGNE: Coordinated Local Graph Neighborhood Sampling [1.6498361958317633]
グラフノードのような個別の未順序オブジェクトを実数値ベクトルで置き換えることは、グラフデータから学ぶための多くのアプローチの中心である。ノードベクトル表現の座標がグラフノードであるような離散ノード埋め込みを学習する問題に対処する。これにより、ノードにもともと存在するすべての属性が保存されているため、グラフの解釈可能な機械学習アルゴリズムを設計する扉が開く。
論文参考訳（メタデータ） (2021-02-09T11:39:06Z)
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)
node2coords: Graph Representation Learning with Wasserstein Barycenters [59.07120857271367]
グラフの表現学習アルゴリズムである node2coords を導入する。低次元空間を同時に学習し、その空間内のノードを座標する。実験の結果,node2coordで学習した表現は解釈可能であることがわかった。
論文参考訳（メタデータ） (2020-07-31T13:14:25Z)
Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文参考訳（メタデータ） (2020-07-12T12:06:17Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
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。