論文の概要: Multi-view graph structure learning using subspace merging on Grassmann manifold

• arxiv url: http://arxiv.org/abs/2204.05258v1
• Date: Mon, 11 Apr 2022 17:01:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 17:12:17.082992
• Title: Multi-view graph structure learning using subspace merging on Grassmann manifold
• Title（参考訳）: グラスマン多様体上の部分空間マージを用いた多視点グラフ構造学習
• Authors: Razieh Ghiasi, Hossein Amirkhani and Alireza Bosaghzadeh
• Abstract要約: MV-GSL(Multi-View Graph Structure Learning)と呼ばれる多視点学習を用いた新しいグラフ構造学習手法を提案する。 グラスマン多様体上の部分空間マージを用いた異なるグラフ構造学習法を集約し、学習したグラフ構造の品質を向上させる。 実験の結果,提案手法はグラフ構造学習法とグラフ構造学習法を併用した場合と比較して有望な性能を示した。
• 参考スコア（独自算出の注目度）: 4.039245878626346
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many successful learning algorithms have been recently developed to represent graph-structured data. For example, Graph Neural Networks (GNNs) have achieved considerable successes in various tasks such as node classification, graph classification, and link prediction. However, these methods are highly dependent on the quality of the input graph structure. One used approach to alleviate this problem is to learn the graph structure instead of relying on a manually designed graph. In this paper, we introduce a new graph structure learning approach using multi-view learning, named MV-GSL (Multi-View Graph Structure Learning), in which we aggregate different graph structure learning methods using subspace merging on Grassmann manifold to improve the quality of the learned graph structures. Extensive experiments are performed to evaluate the effectiveness of the proposed method on two benchmark datasets, Cora and Citeseer. Our experiments show that the proposed method has promising performance compared to single and other combined graph structure learning methods.
• Abstract（参考訳）: グラフ構造データを表現するために、多くの学習アルゴリズムが最近開発されている。 例えば、グラフニューラルネットワーク(GNN)は、ノード分類、グラフ分類、リンク予測といった様々なタスクで大きな成功を収めています。 しかし,これらの手法は入力グラフ構造の品質に大きく依存している。 この問題を緩和するために使われるアプローチの一つは、手動で設計されたグラフに頼るのではなく、グラフ構造を学ぶことである。 本稿では,多視点グラフ構造学習法であるMV-GSL(Multi-View Graph Structure Learning)を用いたグラフ構造学習手法を提案する。 提案手法の有効性をcoraとciteseerの2つのベンチマークデータセットで評価するために,広範な実験を行った。 提案手法は,単一および他の組み合わせグラフ構造学習手法と比較して有望な性能を持つことを示す。

関連論文リスト

• Knowledge Probing for Graph Representation Learning [12.960185655357495]
  グラフ表現学習において,グラフ学習手法のファミリーが異なるレベルの知識を符号化したかどうかを調査・解釈するための新しいグラフ探索フレームワーク(GraphProbe)を提案する。 グラフの固有の性質に基づいて,異なる視点からグラフ表現学習過程を体系的に研究する3つのプローブを設計する。 本研究では、ランダムウォークに基づく9つの代表的なグラフ学習手法、基本グラフニューラルネットワーク、自己教師付きグラフ手法を用いて、詳細な評価ベンチマークを構築し、ノード分類、リンク予測、グラフ分類のための6つのベンチマークデータセットでそれらを探索する。
  論文  参考訳（メタデータ） (2024-08-07T16:27:45Z)
• GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Label-informed Graph Structure Learning for Node Classification [16.695269600529056]
  本稿では,クラス遷移行列を通じてラベル情報を明示的に組み込んだ新しいグラフ構造学習フレームワークを提案する。 我々は7つのノード分類ベンチマークデータセットについて広範な実験を行い、その結果、我々の手法が最先端のベースラインより優れているか、一致しているかを示した。
  論文  参考訳（メタデータ） (2021-08-10T11:14:09Z)
• Multiple Graph Learning for Scalable Multi-view Clustering [26.846642220480863]
  少数のアンカー点とテンソルシャッテンp-ノルム最小化による効率的な多重グラフ学習モデルを提案する。 具体的には、各ビューに対してアンカーグラフを用いて、隠蔽かつトラクタブルな大きなグラフを構築する。 本研究では,データサイズと線形にスケールする効率的なアルゴリズムを開発し,提案したモデルを解く。
  論文  参考訳（メタデータ） (2021-06-29T13:10:56Z)

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。