Fugu-MT 論文翻訳(概要): Construction of Rough graph to handle uncertain pattern from an Information System

論文の概要: Construction of Rough graph to handle uncertain pattern from an Information System

arxiv url: http://arxiv.org/abs/2205.10127v1
Date: Tue, 17 May 2022 08:41:04 GMT
ステータス: 処理完了
システム内更新日: 2022-05-29 20:23:35.097649
Title: Construction of Rough graph to handle uncertain pattern from an Information System
Title（参考訳）: 情報システムによる不確かさパターン対応のための粗いグラフの構築
Authors: R. Aruna Devi and K. Anitha
Abstract要約: 粗メンバーシップ関数は、情報システムから条件属性と決定属性の関係を測定する。本稿では,大まかなメンバシップ関数$omega_GF(f)$を通じて粗グラフを構築する新しい手法を提案する。
参考スコア（独自算出の注目度）: 1.0152838128195467
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Rough membership function defines the measurement of relationship between conditional and decision attribute from an Information system. In this paper we propose a new method to construct rough graph through rough membership function $\omega_{G}^F(f)$. Rough graph identifies the pattern between the objects with imprecise and uncertain information. We explore the operations and properties of rough graph in various stages of its structure.
Abstract（参考訳）: 粗メンバーシップ関数は、情報システムから条件属性と決定属性の関係を測定する。本稿では,大まかなメンバシップ関数 $\omega_{G}^F(f)$ を通じて粗グラフを構築する新しい手法を提案する。粗グラフは不正確で不確実な情報を持つオブジェクト間のパターンを特定する。粗グラフの構造の様々な段階における操作と性質について検討する。

関連論文リスト

Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文参考訳（メタデータ） (2024-09-09T12:56:02Z)
Robust Graph Structure Learning under Heterophily [12.557639223778722]
本稿では、下流タスクのための異種データから高品質なグラフを実現するための、新しい頑健なグラフ構造学習法を提案する。まず,そのノードの特徴に構造情報をエンコードすることで,各ノードが近隣ノードとより区別されるようにハイパスフィルタを適用する。そして、異なるレベルのノイズを特徴付ける適応ノルムを持つ頑健なグラフを学習する。
論文参考訳（メタデータ） (2024-03-06T12:29:13Z)
Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
論文参考訳（メタデータ） (2023-06-05T07:53:52Z)
Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文参考訳（メタデータ） (2023-05-31T11:04:53Z)
Structure-Preserving Graph Representation Learning [43.43429108503634]
本研究では,グラフの構造情報を完全にキャプチャする構造保存グラフ表現学習(SPGRL)手法を提案する。具体的には、元のグラフの不確かさと誤情報を減らすために、k-Nearest Neighbor法による補完的なビューとして特徴グラフを構築する。本手法は、半教師付きノード分類タスクにおいて非常に優れた性能を示し、グラフ構造やノード特徴に対するノイズ摂動下での堅牢性に優れる。
論文参考訳（メタデータ） (2022-09-02T02:49:19Z)
SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文参考訳（メタデータ） (2021-12-12T14:18:18Z)
Graph Classification Based on Skeleton and Component Features [9.681154082075698]
骨格情報に基づく分類を実現するグラフ埋め込みアルゴリズムGraphCSCを提案する。 2つのグラフは、それらの骨格と成分がどちらも類似している場合に似ており、我々のモデルでは、両方のグラフをグラフの同質性評価として埋め込みに統合する。我々は、最新の最先端のベースラインの包括的リストと比較して、異なるデータセット上でモデルを実証し、実世界のグラフ分類タスクにおいて、我々の作業が優れていることを示す実験を行った。
論文参考訳（メタデータ） (2021-02-02T10:52:17Z)
Kernel-based Graph Learning from Smooth Signals: A Functional Viewpoint [15.577175610442351]
ノード側および観測側情報を組み込んだ新しいグラフ学習フレームワークを提案する。我々は、Kronecker製品カーネルに付随する再生カーネルヒルベルト空間の関数としてグラフ信号を使用する。我々は、Kronecker製品カーネルと組み合わせることで、グラフによって説明される依存性とグラフ信号による依存性の両方を捕捉できる新しいグラフベースの正規化手法を開発した。
論文参考訳（メタデータ） (2020-08-23T16:04:23Z)
GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文参考訳（メタデータ） (2020-07-07T16:51:39Z)
Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文参考訳（メタデータ） (2020-06-29T01:01:42Z)

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。