論文の概要: Incremental Inference on Higher-Order Probabilistic Graphical Models
Applied to Constraint Satisfaction Problems
- arxiv url: http://arxiv.org/abs/2202.12916v1
- Date: Fri, 25 Feb 2022 19:13:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 16:32:06.356537
- Title: Incremental Inference on Higher-Order Probabilistic Graphical Models
Applied to Constraint Satisfaction Problems
- Title（参考訳）: 制約満足度問題への高次確率グラフモデルの適用に関する漸進的推論
- Authors: Simon Streicher
- Abstract要約: 論文はPGM文学に3つの貢献をしている。
第一に、スドクスのようなグラフ彩色問題における因子グラフとクラスタグラフの比較である。
第二に、地図学における実践的な問題、すなわち土地被覆分類の促進に対するクラスタグラフの応用である。
第3に、制約満足度問題に対するPGMの定式化と、従来のPGMでは複雑すぎる問題を解決するためにPurge-and-mergeと呼ばれるアルゴリズムがある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Probabilistic graphical models (PGMs) are tools for solving complex
probabilistic relationships. However, suboptimal PGM structures are primarily
used in practice. This dissertation presents three contributions to the PGM
literature. The first is a comparison between factor graphs and cluster graphs
on graph colouring problems such as Sudokus - indicating a significant
advantage for preferring cluster graphs. The second is an application of
cluster graphs to a practical problem in cartography: land cover classification
boosting. The third is a PGMs formulation for constraint satisfaction problems
and an algorithm called purge-and-merge to solve such problems too complex for
traditional PGMs.
- Abstract（参考訳）: 確率的グラフィカルモデル(PGM)は複雑な確率的関係を解決するためのツールである。
しかし、主に準最適PGM構造が用いられる。
この論文はPGM文学に3つの貢献をしている。
1つ目は、Sudokusのようなグラフ彩色問題における因子グラフとクラスタグラフの比較である。
2つ目は、地図学における現実的な問題である土地被覆分類促進へのクラスターグラフの適用である。
3つ目は、制約満足度問題に対するPGMの定式化と、従来のPGMでは複雑すぎる問題を解決するためにPurge-and-mergeと呼ばれるアルゴリズムである。
関連論文リスト
- Differentiable Proximal Graph Matching [40.41380102260085]
微分可能近位グラフマッチング(DPGM)と呼ばれる近位演算子に基づくグラフマッチングアルゴリズムを提案する。
アルゴリズム全体をグラフ親和性行列からノード対応の予測への微分可能な写像とみなすことができる。
数値実験により、PGMは様々なデータセット上で既存のグラフマッチングアルゴリズムより優れていることが示された。
論文 参考訳（メタデータ） (2024-05-26T08:17:13Z) - The graph alignment problem: fundamental limits and efficient algorithms [0.9246334723892301]
グラフ同型問題のノイズバージョンは、エッジの大部分を保存する2つのグラフのノード間のマッチングを見つけることを目的としている。
この論文は、この問題の基本的な情報理論的限界を理解すること、および、基礎となるデータのアライメントを回復できるアルゴリズムを設計および分析することに焦点を当てている。
論文 参考訳（メタデータ） (2024-04-18T15:31:13Z) - Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳（メタデータ） (2024-02-25T07:03:37Z) - Learning Cartesian Product Graphs with Laplacian Constraints [10.15283812819547]
ラプラシアン制約下でのカルト積グラフの学習問題について検討する。
我々は、ペナルティ化された最大推定値に対する統計的整合性を確立する。
また、構造的欠落のある値の存在下で、効率的な共同グラフ学習と計算を行う方法を拡張した。
論文 参考訳（メタデータ） (2024-02-12T22:48:30Z) - Inference for Probabilistic Dependency Graphs [42.03917543423699]
確率依存グラフ (PDGs) は確率モデルの柔軟なクラスである。
離散変数を持つPDGに対する最初のトラクタブル推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-09T18:40:12Z) - One-step Bipartite Graph Cut: A Normalized Formulation and Its
Application to Scalable Subspace Clustering [56.81492360414741]
両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。
本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。
このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
論文 参考訳（メタデータ） (2023-05-12T11:27:20Z) - Graph Coloring: Comparing Cluster Graphs to Factor Graphs [0.0]
本稿では,確率的グラフィカルモデルを用いたグラフカラー化問題の定式化と解法を提案する。
この目的のために因子グラフを使用する一般的な文献とは対照的に、クラスタグラフの観点からアプローチする。
論文 参考訳（メタデータ） (2021-10-05T13:57:30Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Multilayer Graph Clustering with Optimized Node Embedding [70.1053472751897]
多層グラフクラスタリングは、グラフノードをカテゴリまたはコミュニティに分割することを目指しています。
与えられた多層グラフの層をクラスタリングに親しみやすい埋め込みを提案する。
実験の結果,本手法は著しい改善をもたらすことがわかった。
論文 参考訳（メタデータ） (2021-03-30T17:36:40Z) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳（メタデータ） (2020-10-29T09:58:02Z) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳（メタデータ） (2020-02-20T10:11:28Z)
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。