論文の概要: SigMaNet: One Laplacian to Rule Them All
- arxiv url: http://arxiv.org/abs/2205.13459v1
- Date: Thu, 26 May 2022 16:06:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-27 15:07:23.783042
- Title: SigMaNet: One Laplacian to Rule Them All
- Title(参考訳): SigMaNet: すべてを支配するラプラシアン
- Authors: Stefano Fiorini, Stefano Coniglio, Michele Ciavotta and Enza Messina
- Abstract要約: 本稿では,無向グラフと有向グラフの両方を,符号や大きさに制限されない重みで処理できる汎用グラフ畳み込みネットワーク(GCN)であるSigMaNetを紹介する。
このような行列の採用により、スペクトルGCNの理論を正と負の両方の重みを持つ有向グラフに拡張することにより、現在の文献のギャップを埋めることができる。
- 参考スコア(独自算出の注目度): 3.075071396300441
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces SigMaNet, a generalized Graph Convolutional Network
(GCN) capable of handling both undirected and directed graphs with weights not
restricted in sign and magnitude. The cornerstone of SigMaNet is the
introduction of a generalized Laplacian matrix: the Sign-Magnetic Laplacian
($L^\sigma$). The adoption of such a matrix allows us to bridge a gap in the
current literature by extending the theory of spectral GCNs to directed graphs
with both positive and negative weights. $L^{\sigma}$ exhibits several
desirable properties not enjoyed by the traditional Laplacian matrices on which
several state-of-the-art architectures are based. In particular, $L^\sigma$ is
completely parameter-free, which is not the case of Laplacian operators such as
the Magnetic Laplacian $L^{(q)}$, where the calibration of the parameter q is
an essential yet problematic component of the operator. $L^\sigma$ simplifies
the approach, while also allowing for a natural interpretation of the signs of
the edges in terms of their directions. The versatility of the proposed
approach is amply demonstrated experimentally; the proposed network SigMaNet
turns out to be competitive in all the tasks we considered, regardless of the
graph structure.
- Abstract(参考訳): 本稿では,無向グラフと有向グラフの両方を,符号や大きさに制限されない重みで処理できる汎用グラフ畳み込みネットワーク(GCN)であるSigMaNetを紹介する。
SigMaNet の土台は一般化されたラプラシア行列 Sign-Magnetic Laplacian (L^\sigma$) の導入である。
このような行列の採用により、スペクトルGCNの理論を正および負の重みを持つ有向グラフに拡張することにより、現在の文献のギャップを埋めることができる。
l^{\sigma}$ は、いくつかの最先端アーキテクチャがベースとなっている伝統的なラプラキア行列では享受できないいくつかの望ましい性質を示す。
特に、$l^\sigma$ は完全にパラメータフリーであり、これは磁気ラプラシアン $l^{(q)}$ のようなラプラシアン作用素の場合ではない。
l^\sigma$ はアプローチを単純化すると同時に、その方向の観点で辺の記号の自然な解釈を可能にする。
提案するネットワークSigMaNetは,グラフ構造に関わらず,検討したすべてのタスクにおいて,競争力があることが判明した。
関連論文リスト
- Tempered Calculus for ML: Application to Hyperbolic Model Embedding [74.82054459297169]
MLで使用されるほとんどの数学的歪みは、本質的に自然界において積分的である。
本稿では,これらの歪みを改善するための基礎的理論とツールを公表し,機械学習の要件に対処する。
我々は、最近MLで注目を集めた問題、すなわち、ハイパーボリック埋め込みを「チープ」で正確なエンコーディングで適用する方法を示す。
論文 参考訳(メタデータ) (2024-02-06T17:21:06Z) - Graph Learning in 4D: a Quaternion-valued Laplacian to Enhance Spectral
GCNs [5.489248229630451]
四元数重みを持つスペクトルグラフ畳み込みネットワーク(GCN)であるQuaterGCNを紹介し,その中核は四元数ラプラシアンである。
実験の結果,QuanterGCNは他の最先端GCNと比較して優れた性能を示した。
論文 参考訳(メタデータ) (2023-12-28T20:58:14Z) - Quantum tomography of helicity states for general scattering processes [65.268245109828]
量子トモグラフィーは、物理学における量子系の密度行列$rho$を計算するのに欠かせない道具となっている。
一般散乱過程におけるヘリシティ量子初期状態の再構成に関する理論的枠組みを提案する。
論文 参考訳(メタデータ) (2023-10-16T21:23:42Z) - Transformers as Support Vector Machines [54.642793677472724]
自己アテンションの最適化幾何と厳密なSVM問題との間には,形式的等価性を確立する。
勾配降下に最適化された1層変圧器の暗黙バイアスを特徴付ける。
これらの発見は、最適なトークンを分離し選択するSVMの階層としてのトランスフォーマーの解釈を刺激していると信じている。
論文 参考訳(メタデータ) (2023-08-31T17:57:50Z) - Matrix logistic map: fractal spectral distributions and transfer of
chaos [0.0]
ここでは, 間隔$[0, 1]$で支持される連続レベル密度を持つエルミート確率行列の初期アンサンブルに対して, レベル密度はロジスティック写像の不変測度に収束することを示す。
このアプローチは、結合ロジスティックマップの既知のモデルを一般化し、複雑なネットワークや多次元システムにおけるカオスへの移行の研究を可能にする。
論文 参考訳(メタデータ) (2023-03-10T19:19:56Z) - OrthoReg: Improving Graph-regularized MLPs via Orthogonality
Regularization [66.30021126251725]
グラフニューラルネットワーク(GNN)は現在、グラフ構造データのモデリングにおいて支配的である。
グラフ正規化ネットワーク(GR-MLP)はグラフ構造情報をモデル重みに暗黙的に注入するが、その性能はほとんどのタスクにおいてGNNとほとんど一致しない。
GR-MLPは,最大数個の固有値が埋め込み空間を支配する現象である次元崩壊に苦しむことを示す。
次元崩壊問題を緩和する新しいGR-MLPモデルであるOrthoRegを提案する。
論文 参考訳(メタデータ) (2023-01-31T21:20:48Z) - Linear programming with unitary-equivariant constraints [2.0305676256390934]
ユニタリ同値(英: Unitary equivariance)は、物理学や数学において多くの文脈で発生する自然な対称性である。
追加の対称性の仮定の下では、この問題は、$d$でスケールしない時間で解決できる線形プログラムに還元されることを示す。
また,本手法を一般ユニタリ同変半定プログラムに拡張する可能性についても概説する。
論文 参考訳(メタデータ) (2022-07-12T17:37:04Z) - Bi-stochastically normalized graph Laplacian: convergence to manifold
Laplacian and robustness to outlier noise [8.271859911016719]
双構造正規化グラフ Laplacian to manifold (weighted-)Laplacian は Sinkhorn-Knopp (SK) の反復によって効率的に計算できる。
多様体データが外乱ノイズによって破壊されるとき、理論的にはラプラシア点の整合性を証明する。
論文 参考訳(メタデータ) (2022-06-22T21:08:24Z) - On the Effective Number of Linear Regions in Shallow Univariate ReLU
Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。
我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
論文 参考訳(メタデータ) (2022-05-18T16:57:10Z) - Hybrid Model-based / Data-driven Graph Transform for Image Coding [54.31406300524195]
予測内残差ブロックを符号化するハイブリッドモデルベース/データ駆動方式を提案する。
変換行列の最初の$K$固有ベクトルは、安定性のための非対称離散正弦変換(ADST)のような統計モデルから導かれる。
WebPをベースライン画像として使用することにより、我々のハイブリッドグラフ変換は、デフォルトの離散コサイン変換(DCT)よりもエネルギーの圧縮が良く、KLTよりも安定性がよいことを示す。
論文 参考訳(メタデータ) (2022-03-02T15:36:44Z) - Cospectrality preserving graph modifications and eigenvector properties
via walk equivalence of vertices [0.0]
コスペクトル性は交換対称性の強力な一般化であり、すべての実数値対称行列に適用できる。
余スペクトル頂点を持つ行列のパワーは固有ベクトルのさらなる局所的関係を誘導することを示す。
我々の研究は、汎用的な複雑なネットワークのようなシステムの設計において、隠れた構造対称性を柔軟に活用する方法を開拓する。
論文 参考訳(メタデータ) (2020-07-15T10:54:31Z)
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。