論文の概要: Learning Label Initialization for Time-Dependent Harmonic Extension
- arxiv url: http://arxiv.org/abs/2205.01358v1
- Date: Tue, 3 May 2022 08:02:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-04 21:43:46.757944
- Title: Learning Label Initialization for Time-Dependent Harmonic Extension
- Title(参考訳): 時間依存調和拡張のための学習ラベル初期化
- Authors: Amitoz Azad
- Abstract要約: 本稿では,グラフ上のディリクレ問題の時間依存バージョンを考察し,その解法の改善方法を示す。
改良された解法はノード分類に使用される最先端の手法と同等であることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Node classification on graphs can be formulated as the Dirichlet problem on
graphs where the signal is given at the labeled nodes, and the harmonic
extension is done on the unlabeled nodes. This paper considers a time-dependent
version of the Dirichlet problem on graphs and shows how to improve its
solution by learning the proper initialization vector on the unlabeled nodes.
Further, we show that the improved solution is at par with state-of-the-art
methods used for node classification. Finally, we conclude this paper by
discussing the importance of parameter t, pros, and future directions.
- Abstract(参考訳): グラフ上のノード分類は、ラベル付きノードで信号が与えられるグラフ上のディリクレ問題として定式化することができ、調和拡張はラベル付きノード上で行われる。
本稿では,グラフ上のディリクレ問題の時間依存バージョンを考察し,未ラベルノード上の固有初期化ベクトルを学習することで解法を改善する方法を示す。
さらに、改良された解はノード分類に使用される最先端の手法と同等であることを示す。
最後に,パラメータt,pros,および今後の方向性の重要性について論じる。
関連論文リスト
- Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-06-14T09:21:15Z) - Laplacian-based Semi-Supervised Learning in Multilayer Hypergraphs by
Coordinate Descent [4.56754610152086]
Graph Semi-Supervised Learningは重要なデータ分析ツールである。
本稿では,非方向性グラフに対する問題の最適化に基づく定式化について考察する。
異なる座標勾配法を用いて問題を解き、古典的な勾配勾配法で得られた手法と比較する。
論文 参考訳(メタデータ) (2023-01-28T12:59:07Z) - The PWLR Graph Representation: A Persistent Weisfeiler-Lehman scheme
with Random Walks for Graph Classification [0.6999740786886536]
グラフ表現のための永続Weisfeiler-Lehmanランダムウォークスキーム(PWLR)。
我々はWeisfeiler-Lehmanプロシージャの多くの変種を一般化する。
論文 参考訳(メタデータ) (2022-08-29T08:50:37Z) - Graph Decoupling Attention Markov Networks for Semi-supervised Graph
Node Classification [38.52231889960877]
グラフニューラルネットワーク(GNN)は、ノード分類などのグラフ学習タスクにおいてユビキタスである。
本稿では,グラフノードのラベル依存を考察し,ハードとソフトの両方の注意を学ぶための分離注意機構を提案する。
論文 参考訳(メタデータ) (2021-04-28T11:44:13Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳(メタデータ) (2020-10-20T05:54:31Z) - Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。
提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文 参考訳(メタデータ) (2020-03-12T22:31:59Z) - Factorized Graph Representations for Semi-Supervised Learning from
Sparse Data [8.875598257768846]
極端に粗いラベル付きグラフでも、遠隔互換性推定と呼ばれる手法が有効であることを示す。
我々の推定器は代替手法よりも桁違いに高速であり、エンドツーエンドの分類精度は金の標準適合性に匹敵するものである。
論文 参考訳(メタデータ) (2020-03-05T18:57:45Z) - Structure-Feature based Graph Self-adaptive Pooling [65.4188800835203]
グラフデータを扱うための新しいグラフ自己適応プーリング法を提案する。
本手法は, グラフ分類において有効であり, 最先端のグラフプーリング法より優れている。
論文 参考訳(メタデータ) (2020-01-30T13:58:49Z) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳(メタデータ) (2020-01-17T02:52:30Z)
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。