Fugu-MT 論文翻訳(概要): LDPC codes: comparing cluster graphs to factor graphs

論文の概要: LDPC codes: comparing cluster graphs to factor graphs

arxiv url: http://arxiv.org/abs/2204.06350v2
Date: Mon, 2 Oct 2023 06:23:35 GMT
ステータス: 処理完了
システム内更新日: 2023-10-03 21:28:32.288367
Title: LDPC codes: comparing cluster graphs to factor graphs
Title（参考訳）: LDPC符号:クラスタグラフとファクタグラフの比較
Authors: J du Toit, J du Preez, R Wolhuter
Abstract要約: 確率的グラフィカルモデルでは、クラスタグラフは推論中にランダム変数間の有用な依存を保持する。本研究では、LDPC符号の文脈におけるこれらの利点について検討し、クラスタグラフ表現が従来の因子グラフ表現よりも優れていることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We present a comparison study between a cluster and factor graph representation of LDPC codes. In probabilistic graphical models, cluster graphs retain useful dependence between random variables during inference, which are advantageous in terms of computational cost, convergence speed, and accuracy of marginal probabilities. This study investigates these benefits in the context of LDPC codes and shows that a cluster graph representation outperforms the traditional factor graph representation.
Abstract（参考訳）: 本稿では,LDPC符号のクラスタと因子グラフの表現の比較検討を行う。確率的グラフィカルモデルでは、クラスタグラフは、計算コスト、収束速度、限界確率の精度の点で有利である推論中にランダム変数間の有用な依存性を保持する。本研究では,これらの利点をldpc符号の文脈で検討し,クラスタグラフ表現が従来の因子グラフ表現よりも優れていることを示す。

関連論文リスト

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)
Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文参考訳（メタデータ） (2023-05-18T06:17:50Z)
Deep Graph-Level Clustering Using Pseudo-Label-Guided Mutual Information Maximization Network [31.38584638254226]
我々は、グラフの集合を異なるグループに分割する問題を、同じグループのグラフが類似しているのに対して、異なるグループのグラフが異なるように研究する。この問題を解決するために,Deep Graph-Level Clustering (DGLC) と呼ばれる新しい手法を提案する。 DGLCはグラフレベルの表現学習とグラフレベルのクラスタリングをエンドツーエンドで実現しています。
論文参考訳（メタデータ） (2023-02-05T12:28:08Z)
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)
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)
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)
The Inverse G-Wishart Distribution and Variational Message Passing [0.0]
Inverse G-Wishart family of distributions(英語版)は、基本的な変分メッセージパッシング係数グラフの断片をエレガントかつ簡潔に表現できることを示した。因子グラフ上のメッセージパッシングは、任意のグラフィカルな大モデルに対する近似推論アルゴリズムのコーディングのための強力なパラダイムである。
論文参考訳（メタデータ） (2020-05-20T06:59:48Z)
Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
論文参考訳（メタデータ） (2020-02-20T09:53:28Z)
Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。本稿では,非自明なERGに対する近似フレームワークを提案する。我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。