論文の概要: Graph filtering over expanding graphs
- arxiv url: http://arxiv.org/abs/2203.08058v1
- Date: Tue, 15 Mar 2022 16:50:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 16:16:12.105184
- Title: Graph filtering over expanding graphs
- Title(参考訳): グラフ拡張によるグラフフィルタリング
- Authors: Bishwadeep Das, Elvin Isufi
- Abstract要約: 本稿では,拡張グラフ上のデータに対するフィルタ学習手法を提案する。
正確なトポロジに依存するベースラインと比較して,ほぼ最適性能を示す。
これらの知見は、接続モデルのみに依存することにより、グラフの拡張よりも表現を学習するための基礎を築いた。
- 参考スコア(独自算出の注目度): 14.84852576248587
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Our capacity to learn representations from data is related to our ability to
design filters that can leverage their coupling with the underlying domain.
Graph filters are one such tool for network data and have been used in a myriad
of applications. But graph filters work only with a fixed number of nodes
despite the expanding nature of practical networks. Learning filters in this
setting is challenging not only because of the increased dimensions but also
because the connectivity is known only up to an attachment model. We propose a
filter learning scheme for data over expanding graphs by relying only on such a
model. By characterizing the filter stochastically, we develop an empirical
risk minimization framework inspired by multi-kernel learning to balance the
information inflow and outflow at the incoming nodes. We particularize the
approach for denoising and semi-supervised learning (SSL) over expanding graphs
and show near-optimal performance compared with baselines relying on the exact
topology. For SSL, the proposed scheme uses the incoming node information to
improve the task on the existing ones. These findings lay the foundation for
learning representations over expanding graphs by relying only on the
stochastic connectivity model.
- Abstract(参考訳): データから表現を学ぶ能力は、基盤となるドメインとの結合を活用できるフィルタを設計する能力に関連しています。
グラフフィルタはネットワークデータのためのそのようなツールであり、無数のアプリケーションで使われてきた。
しかしグラフフィルタは、実用的ネットワークが拡大しているにもかかわらず、固定数のノードでのみ動作する。
この設定でフィルタを学習することは、次元が増大するだけでなく、接続性はアタッチメントモデルでのみ知られているため困難である。
本稿では,そのようなモデルのみに依存するグラフ拡張データに対するフィルタ学習手法を提案する。
フィルタを確率的に特徴付けることで,マルチカーネル学習に触発された経験的リスク最小化フレームワークを開発し,入力ノードにおける情報流入と流出のバランスをとる。
グラフの拡張に対する認知学習と半教師あり学習(SSL)のアプローチを、正確なトポロジに依存するベースラインと比較して、ほぼ最適性能を示す。
SSLでは、提案方式では、受信ノード情報を使用して既存のノードのタスクを改善する。
これらの知見は、確率接続モデルのみに依存することにより、グラフの拡張よりも表現を学習するための基礎を築いた。
関連論文リスト
- SPGNN: Recognizing Salient Subgraph Patterns via Enhanced Graph Convolution and Pooling [25.555741218526464]
グラフニューラルネットワーク(GNN)は、グラフやネットワークのような非ユークリッドデータ上での機械学習の分野に革命をもたらした。
本稿では,ノード表現をインジェクティブに更新する結合型グラフ畳み込み機構を提案する。
また,WL-SortPoolと呼ばれるグラフプーリングモジュールを設計し,重要なサブグラフパターンをディープラーニングで学習する。
論文 参考訳(メタデータ) (2024-04-21T13:11:59Z) - Online Filtering over Expanding Graphs [14.84852576248587]
本稿では,オンライン機械学習の原理に基づいて,フィルタのオンライン更新を提案する。
受信ノードにおける信号に対する手法の性能を示す。
これらの発見は、グラフの拡張よりも効率的なフィルタリングの基礎を築いた。
論文 参考訳(メタデータ) (2023-01-17T14:07:52Z) - Graph Filters for Signal Processing and Machine Learning on Graphs [83.29608206147515]
グラフフィルタの包括的概要として、異なるフィルタリングカテゴリ、各タイプの設計戦略、異なるタイプのグラフフィルタ間のトレードオフなどを挙げる。
グラフフィルタをフィルタバンクやグラフニューラルネットワークに拡張して表現力を高める方法について論じる。
本稿の目的は、初心者と経験者の両方に統一的なフレームワークを提供することと、共通の理解を提供することです。
論文 参考訳(メタデータ) (2022-11-16T11:56:45Z) - Learning Optimal Graph Filters for Clustering of Attributed Graphs [20.810096547938166]
多くの現実世界のシステムは、システム内の異なるエンティティがノードによって表現され、エッジによって相互作用するグラフとして表現することができる。
グラフィカルな構造を持つ大規模なデータセットを研究する上で重要なタスクはグラフクラスタリングである。
本稿では,FIR(Finite Impulse Response)およびARMA(Autoregressive moving Average)グラフフィルタのパラメータをクラスタリングに最適化したグラフ信号処理手法を提案する。
論文 参考訳(メタデータ) (2022-11-09T01:49:23Z) - Message Passing in Graph Convolution Networks via Adaptive Filter Banks [81.12823274576274]
我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。
グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。
ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
論文 参考訳(メタデータ) (2021-06-18T04:23:34Z) - GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。
具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。
エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文 参考訳(メタデータ) (2021-06-05T07:07:52Z) - Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。
提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
論文 参考訳(メタデータ) (2021-04-26T19:31:21Z) - FiGLearn: Filter and Graph Learning using Optimal Transport [49.428169585114496]
信号観測からグラフとその生成フィルタを学習するための新しいグラフ信号処理フレームワークを提案する。
ごくわずかな情報しか得られない場合、このフレームワークが欠落した値を推測するのにどのように使えるかを示す。
論文 参考訳(メタデータ) (2020-10-29T10:00:42Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳(メタデータ) (2020-03-08T13:02:15Z)
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。