論文の概要: Semi-supervised Learning on Large Graphs: is Poisson Learning a
Game-Changer?
- arxiv url: http://arxiv.org/abs/2202.13608v1
- Date: Mon, 28 Feb 2022 08:30:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 04:58:05.292554
- Title: Semi-supervised Learning on Large Graphs: is Poisson Learning a
Game-Changer?
- Title(参考訳): 大規模グラフに関する半教師付き学習:Poisson Learningはゲームチェンジャーか?
- Authors: Canh Hao Nguyen
- Abstract要約: 本稿では,グラフに基づく半教師付き学習におけるPoisson学習について説明する。
我々の分析から、Poissonの学習は単に閾値付きラプラス正規化であり、この問題を克服することはできない。
- 参考スコア(独自算出の注目度): 6.548580592686076
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We explain Poisson learning on graph-based semi-supervised learning to see if
it could avoid the problem of global information loss problem as Laplace-based
learning methods on large graphs. From our analysis, Poisson learning is simply
Laplace regularization with thresholding, cannot overcome the problem.
- Abstract(参考訳): 本稿では,グラフベース半教師付き学習におけるポアソン学習について,大グラフ上のラプラス型学習法としてのグローバル情報損失問題を回避することができるかを説明する。
我々の分析から、Poissonの学習は単に閾値付きラプラス正規化であり、この問題を克服することはできない。
関連論文リスト
- Efficiently Learning the Graph for Semi-supervised Learning [4.518012967046983]
共役勾配法を用いてスパース族から最良のグラフを効率的に学習する方法を示す。
我々の手法は、軽度な滑らかさの仮定の下で、オンラインのサブ線形後悔でグラフを効率的に学習するためにも利用できる。
提案手法を実装し,ベンチマークデータセット上の学習グラフを用いた半教師付き学習の先行研究に対して,大幅な(sim$10-100x)スピードアップを示す。
論文 参考訳(メタデータ) (2023-06-12T13:22:06Z) - Unlearnable Graph: Protecting Graphs from Unauthorized Exploitation [68.59161853439339]
学習不可能なグラフの例を生成するための新しい手法を提案する。
Error-Minimizing Structure Poisoning (EMinS) モジュールを使ってグラフに妄想的だが知覚不可能なノイズを注入することにより、グラフを説明不能にすることができる。
論文 参考訳(メタデータ) (2023-03-05T03:30:22Z) - Graph Laplacian for Semi-Supervised Learning [8.477619837043214]
そこで本研究では,Semi-Supervised Learning (SSL)問題に適応した新しいグラフラプラシアンを提案する。
これは密度とコントラストの両測度に基づいており、演算子に直接ラベル付きデータの符号化を可能にする。
論文 参考訳(メタデータ) (2023-01-12T12:02:26Z) - Beyond spectral gap: The role of the topology in decentralized learning [58.48291921602417]
機械学習モデルのデータ並列最適化では、労働者はモデルの推定値を改善するために協力する。
本稿では、労働者が同じデータ分散を共有するとき、疎結合な分散最適化の正確な図面を描くことを目的とする。
我々の理論は深層学習における経験的観察と一致し、異なるグラフトポロジーの相対的メリットを正確に記述する。
論文 参考訳(メタデータ) (2022-06-07T08:19:06Z) - Learning where to learn: Gradient sparsity in meta and continual
learning [4.845285139609619]
学習アルゴリズムがどの重みを変えるかを決定することによって、メタ学習を改善することができることを示す。
このプロセスからパターン化されたスパーシリティが出現し、そのパターンは問題ごとの確率に基づいて変化する。
その結果、メタ学習が適応可能な特徴を発見できるかどうかの議論が進行中であり、疎勾配降下による学習がメタ学習システムにとって強力な帰納的バイアスであることを示唆している。
論文 参考訳(メタデータ) (2021-10-27T12:54:36Z) - Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。
グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。
実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。
ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。
分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文 参考訳(メタデータ) (2021-10-20T14:23:54Z) - Learning Graphs from Smooth Signals under Moment Uncertainty [23.868075779606425]
与えられたグラフ信号の集合からグラフ構造を推測する問題を検討する。
従来のグラフ学習モデルは、この分布の不確実性を考慮していない。
論文 参考訳(メタデータ) (2021-05-12T06:47:34Z) - Overcoming the curse of dimensionality with Laplacian regularization in
semi-supervised learning [80.20302993614594]
ラプラシア正規化の欠点を克服するための統計的解析を提供する。
望ましい振る舞いを示すスペクトルフィルタリング法を多数発表する。
我々は,本手法を大量のデータで利用できるようにするために,現実的な計算ガイドラインを提供する。
論文 参考訳(メタデータ) (2020-09-09T14:28:54Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳(メタデータ) (2020-09-01T15:08:23Z) - Poisson Learning: Graph Based Semi-Supervised Learning At Very Low Label
Rates [6.346772579930929]
グラフに基づく半教師付き学習を低ラベルレートで行うため,Poisson Learningと呼ばれる新しいフレームワークを提案する。
本手法は,MNIST,FashionMNIST,Cifar-10において,低ラベルレートでの半教師あり学習よりも優れていることを示す数値実験を行った。
論文 参考訳(メタデータ) (2020-06-19T15:21:04Z) - Meta Cyclical Annealing Schedule: A Simple Approach to Avoiding
Meta-Amortization Error [50.83356836818667]
循環型アニーリングスケジュールとMMD基準を用いた新しいメタレギュラー化目標を構築した。
実験の結果,本手法は標準的なメタ学習アルゴリズムよりもかなり優れていることがわかった。
論文 参考訳(メタデータ) (2020-03-04T04:43:16Z)
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。