論文の概要: Discovering Representative Attribute-stars via Minimum Description Length

• arxiv url: http://arxiv.org/abs/2204.12704v1
• Date: Wed, 27 Apr 2022 05:23:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-28 13:30:18.049489
• Title: Discovering Representative Attribute-stars via Minimum Description Length
• Title（参考訳）: 最小記述長による代表属性星の発見
• Authors: Jiahong Liu, Min Zhou, Philippe Fournier-Viger, Menglin Yang, Lujia Pan, Mourad Nouioua
• Abstract要約: 本稿では,属性間の強い相関を示す星形パターンを同定するCSPMというパラメータフリーアルゴリズムを提案する。 CSPMは、最大30.68%の精度でグラフ属性完了モデルの精度を高め、通信アラームデータにおける重要なパターンを明らかにする。
• 参考スコア（独自算出の注目度）: 6.1237884900051975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphs are a popular data type found in many domains. Numerous techniques have been proposed to find interesting patterns in graphs to help understand the data and support decision-making. However, there are generally two limitations that hinder their practical use: (1) they have multiple parameters that are hard to set but greatly influence results, (2) and they generally focus on identifying complex subgraphs while ignoring relationships between attributes of nodes.Graphs are a popular data type found in many domains. Numerous techniques have been proposed to find interesting patterns in graphs to help understand the data and support decision-making. However, there are generally two limitations that hinder their practical use: (1) they have multiple parameters that are hard to set but greatly influence results, (2) and they generally focus on identifying complex subgraphs while ignoring relationships between attributes of nodes. To address these problems, we propose a parameter-free algorithm named CSPM (Compressing Star Pattern Miner) which identifies star-shaped patterns that indicate strong correlations among attributes via the concept of conditional entropy and the minimum description length principle. Experiments performed on several benchmark datasets show that CSPM reveals insightful and interpretable patterns and is efficient in runtime. Moreover, quantitative evaluations on two real-world applications show that CSPM has broad applications as it successfully boosts the accuracy of graph attribute completion models by up to 30.68\% and uncovers important patterns in telecommunication alarm data.
• Abstract（参考訳）: グラフは多くの領域でよく見られるデータ型です。 データを理解し、意思決定をサポートするために、グラフに興味深いパターンを見つけるために多くの技術が提案されている。 しかし、一般的には、その実用上の使用を妨げる2つの制限がある:(1) 設定が難しい複数のパラメータを持ち、(2) ノードの属性間の関係を無視しながら複雑なサブグラフの識別に重点を置いている。 データを理解し、意思決定をサポートするために、グラフに興味深いパターンを見つけるために多くの技術が提案されている。 しかし、一般的には、(1)設定が難しいが結果に大きな影響を及ぼす複数のパラメータを持ち、(2)ノードの属性間の関係を無視しながら複雑なサブグラフを識別することに注力する、という2つの制限がある。 これらの問題に対処するために、条件エントロピーの概念と最小記述長原理を用いて、属性間の強い相関を示す星形パターンを識別するCSPM(Compressing Star Pattern Miner)というパラメータフリーアルゴリズムを提案する。 いくつかのベンチマークデータセットで実施された実験は、cspmが洞察力があり解釈可能なパターンを示し、実行時に効率的であることを示している。 さらに、2つの実世界のアプリケーションに対する定量的評価により、CSPMは、最大30.68倍の精度でグラフ属性完了モデルの精度を向上し、通信アラームデータにおける重要なパターンを明らかにすることに成功した。

関連論文リスト

• Multistage non-deterministic classification using secondary concept graphs and graph convolutional networks for high-level feature extraction [0.0]
  多様なトピックを持つドメインでは、グラフ表現は特徴間の相互関係を示す。 達成にもかかわらず、9つの決定論的クラスを予測および割り当てすることは、しばしばエラーを伴う。 二次概念グラフとグラフ畳み込みネットワークに基づく多段階非決定論的分類法を提案する。
  論文  参考訳（メタデータ） (2024-11-09T15:28:45Z)
• ADAMM: Anomaly Detection of Attributed Multi-graphs with Metadata: A Unified Neural Network Approach [39.211176955683285]
  有向多重グラフを処理する新しいグラフニューラルネットワークモデルADAMMを提案する。 ADAMMは、教師なしの異常検出目的を通じてメタデータとグラフレベルの表現学習を融合する。
  論文  参考訳（メタデータ） (2023-11-13T14:19:36Z)
• Structure and inference in hypergraphs with node attributes [1.024113475677323]
  我々は,高次相互作用による構造理解を改善するために,ノード属性をどのように利用できるかを示す。 我々は,高次相互作用とノード属性を組み合わせて,観測された相互作用をよりよく表現する原理モデルを開発した。
  論文  参考訳（メタデータ） (2023-11-07T10:16:20Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• High-order Multi-view Clustering for Generic Data [15.764819403555512]
  グラフベースのマルチビュークラスタリングは、ほとんどの非グラフアプローチよりも優れたパフォーマンスを実現している。 本稿では,高次マルチビュークラスタリング (HMvC) という手法を導入し,汎用データのトポロジ構造情報を探索する。
  論文  参考訳（メタデータ） (2022-09-22T07:49:38Z)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Learning Multi-Granular Hypergraphs for Video-Based Person Re-Identification [110.52328716130022]
  ビデオベースの人物識別(re-ID)はコンピュータビジョンにおいて重要な研究課題である。 MGH(Multi-Granular Hypergraph)という新しいグラフベースのフレームワークを提案する。 MARSの90.0%のトップ-1精度はMGHを用いて達成され、最先端のスキームよりも優れていた。
  論文  参考訳（メタデータ） (2021-04-30T11:20:02Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
  本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。 ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。 各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
  論文  参考訳（メタデータ） (2020-06-09T16:33:49Z)

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。