Fugu-MT 論文翻訳(概要): Finding Bipartite Components in Hypergraphs

論文の概要: Finding Bipartite Components in Hypergraphs

arxiv url: http://arxiv.org/abs/2205.02771v1
Date: Thu, 5 May 2022 16:46:31 GMT
ステータス: 処理完了
システム内更新日: 2022-05-06 16:37:27.186269
Title: Finding Bipartite Components in Hypergraphs
Title（参考訳）: ハイパーグラフにおける二成分成分の探索
Authors: Peter Macgregor, He Sun
Abstract要約: 本稿では,ハイパーグラフにおける新しい熱拡散過程について検討し,このプロセスを用いて,ハイパーグラフ内の約2部成分を探索するアルゴリズムを設計する。我々の新しいアルゴリズムは、幅広いハイパーグラフにまたがって、従来の最先端のアルゴリズムよりも一貫して、はるかに優れています。
参考スコア（独自算出の注目度）: 9.759415650727892
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Hypergraphs are important objects to model ternary or higher-order relations of objects, and have a number of applications in analysing many complex datasets occurring in practice. In this work we study a new heat diffusion process in hypergraphs, and employ this process to design a polynomial-time algorithm that approximately finds bipartite components in a hypergraph. We theoretically prove the performance of our proposed algorithm, and compare it against the previous state-of-the-art through extensive experimental analysis on both synthetic and real-world datasets. We find that our new algorithm consistently and significantly outperforms the previous state-of-the-art across a wide range of hypergraphs.
Abstract（参考訳）: ハイパーグラフは、オブジェクトの三階関係や高階関係をモデル化する上で重要なオブジェクトであり、実際に発生する多くの複雑なデータセットの分析に多くの応用がある。本研究では,ハイパーグラフにおける新しい熱拡散過程について検討し,このプロセスを用いて,ハイパーグラフ中の二部分極成分を概算する多項式時間アルゴリズムを設計する。提案アルゴリズムの性能を理論的に証明し, 人工と実世界の両方のデータセットの広範な実験分析により, 先行技術と比較した。我々の新しいアルゴリズムは、幅広いハイパーグラフにまたがって、過去の最先端技術よりも一貫して、はるかに優れています。

関連論文リスト

A classification model based on a population of hypergraphs [0.0]
本稿では,新しいハイパーグラフ分類アルゴリズムを提案する。ハイパーグラフは任意の順序の多方向相互作用を探索する。このアルゴリズムは2つのデータセットで評価される。
論文参考訳（メタデータ） (2024-05-23T21:21:59Z)
Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
論文参考訳（メタデータ） (2023-12-18T17:50:52Z)
Hypergraph Isomorphism Computation [20.21325386855039]
Wesfieler-Lehmanカーネルフレームワークを提案し,Hypergraph Weisfeiler-Lehamn Subtree KernelとHypergraph Weisfeiler-Lehamn Hyperedge Kernelの2つの例を実装した。ハイパーグラフ分類データセットの結果は、他の典型的なカーネルベースの手法と比較して大幅に改善されている。
論文参考訳（メタデータ） (2023-07-26T09:39:40Z)
From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文参考訳（メタデータ） (2023-06-16T04:40:59Z)
Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。 THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。 3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文参考訳（メタデータ） (2023-06-05T03:26:06Z)
Supervised Hypergraph Reconstruction [3.69853388955692]
高次相互作用を含む多くの実世界のシステムは、ハイパーグラフによって符号化される。データセットは、しばしば公開され、投影の形でのみ研究される。教師付きハイパーグラフ再構成を提案する。我々のアプローチは、ハードデータセット上での精度の桁違いに全てのベースラインを上回ります。
論文参考訳（メタデータ） (2022-11-23T23:15:03Z)
Hypergraph Convolutional Networks via Equivalency between Hypergraphs and Undirected Graphs [59.71134113268709]
本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。本稿では,提案するフレームワークが最先端の性能を達成できることを示す。ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
論文参考訳（メタデータ） (2022-03-31T10:46:47Z)
HyperSF: Spectral Hypergraph Coarsening via Flow-based Local Clustering [9.438207505148947]
本稿では,ハイパーグラフのスペクトル(構造)特性を保存するために,効率的なスペクトルハイパーグラフ粗大化手法を提案する。提案手法は,ハイパーグラフクラスタリングのマルチウェイコンダクタンスを大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2021-08-17T22:20:23Z)
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)
Learning over Families of Sets -- Hypergraph Representation Learning for Higher Order Tasks [12.28143554382742]
可変サイズのハイパーエッジの表現を実証的に表現するためのハイパーグラフニューラルネットワークを開発した。複数の実世界のハイパーグラフデータセットのパフォーマンスを評価し、最新モデルよりも一貫性のある大幅な精度向上を実証します。
論文参考訳（メタデータ） (2021-01-19T18:37:50Z)
Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
我々は高密度サブグラフ発見のための新しい学習問題を導入する。まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
論文参考訳（メタデータ） (2020-06-24T11:37:33Z)

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。