Fugu-MT 論文翻訳(概要): Graphon-aided Joint Estimation of Multiple Graphs

論文の概要: Graphon-aided Joint Estimation of Multiple Graphs

arxiv url: http://arxiv.org/abs/2202.05686v1
Date: Fri, 11 Feb 2022 15:20:44 GMT
ステータス: 処理完了
システム内更新日: 2022-02-14 14:51:12.939921
Title: Graphon-aided Joint Estimation of Multiple Graphs
Title（参考訳）: 複数グラフのグラフ支援結合推定
Authors: Madeline Navarro, Santiago Segarra
Abstract要約: 観測結果から複数のネットワークのトポロジを推定する問題を考察する。これは非パラメトリックなモデルであり、潜在的に異なるサイズのグラフを描画することができる。
参考スコア（独自算出の注目度）: 24.077455621015552
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the problem of estimating the topology of multiple networks from nodal observations, where these networks are assumed to be drawn from the same (unknown) random graph model. We adopt a graphon as our random graph model, which is a nonparametric model from which graphs of potentially different sizes can be drawn. The versatility of graphons allows us to tackle the joint inference problem even for the cases where the graphs to be recovered contain different number of nodes and lack precise alignment across the graphs. Our solution is based on combining a maximum likelihood penalty with graphon estimation schemes and can be used to augment existing network inference methods. We validate our proposed approach by comparing its performance against competing methods in synthetic and real-world datasets.
Abstract（参考訳）: 我々は,これらのネットワークが同じ(未知の)ランダムグラフモデルから引き出されると仮定して,実測値から複数のネットワークのトポロジを推定する問題を考察する。我々はランダムグラフモデルとしてgraphonを採用しており、これは異なるサイズのグラフを描画できる非パラメトリックモデルである。グラフの汎用性により、回復すべきグラフが異なるノード数を含み、グラフ間の正確なアライメントが欠如している場合でも、共同推論問題に取り組むことができる。提案手法は,最大極大ペナルティとグラフトン推定法を組み合わせることで,既存のネットワーク推論手法を拡張できる。提案手法は,合成および実世界のデータセットにおける競合する手法と比較することにより検証する。

関連論文リスト

Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
Graph Neural Networks with a Distribution of Parametrized Graphs [27.40566674759208]
複数のグラフをパラメータ化して生成するために潜在変数を導入する。予測最大化フレームワークにおいて,ネットワークパラメータの最大推定値を得る。
論文参考訳（メタデータ） (2023-10-25T06:38:24Z)
Creating generalizable downstream graph models with random projections [22.690120515637854]
本稿では,グラフ全体にわたってモデルを一般化するグラフ表現学習手法について検討する。遷移行列の複数のパワーを推定するためにランダムな射影を用いることで、同型不変な特徴の集合を構築することができることを示す。結果として得られる特徴は、ノードの局所的近傍に関する十分な情報を回復するために使用することができ、他のアプローチと競合する推論を可能にする。
論文参考訳（メタデータ） (2023-02-17T14:27:00Z)
GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文参考訳（メタデータ） (2022-12-01T11:49:07Z)
Joint Network Topology Inference via a Shared Graphon Model [24.077455621015552]
観測結果から複数のネットワークのトポロジを推定する問題を考察する。これは非パラメトリックなモデルであり、潜在的に異なるサイズのグラフを描画することができる。
論文参考訳（メタデータ） (2022-09-17T02:38:58Z)
Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文参考訳（メタデータ） (2022-06-28T02:10:05Z)
Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文参考訳（メタデータ） (2022-02-05T08:21:04Z)
Joint inference of multiple graphs with hidden variables from stationary graph signals [19.586429684209843]
本稿では,隠れ変数の影響をモデル化した共同グラフトポロジ推論手法を提案する。観測された信号が探索グラフ上で定常であるという仮定の下で、複数ネットワークの合同推定により、そのような関係を利用することができる。
論文参考訳（メタデータ） (2021-10-05T21:31:36Z)
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)
Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文参考訳（メタデータ） (2020-03-12T22:31:59Z)
The Power of Graph Convolutional Networks to Distinguish Random Graph Models: Short Version [27.544219236164764]
グラフ畳み込みネットワーク(GCN)はグラフ表現学習において広く使われている手法である。サンプルグラフの埋め込みに基づいて異なるランダムグラフモデルを区別するGCNのパワーについて検討する。
論文参考訳（メタデータ） (2020-02-13T17:58:42Z)

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。