論文の概要: Collaborative likelihood-ratio estimation over graphs

• arxiv url: http://arxiv.org/abs/2205.14461v2
• Date: Wed, 31 Jan 2024 19:27:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-02 20:12:51.157880
• Title: Collaborative likelihood-ratio estimation over graphs
• Title（参考訳）: グラフ上の協調確率比の推定
• Authors: Alejandro de la Concha and Nicolas Vayatis and Argyris Kalogeratos
• Abstract要約: グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。 我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
• 参考スコア（独自算出の注目度）: 55.98760097296213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assuming we have iid observations from two unknown probability density functions (pdfs), $p$ and $q$, the likelihood-ratio estimation (LRE) is an elegant approach to compare the two pdfs only by relying on the available data. In this paper, we introduce the first -to the best of our knowledge-graph-based extension of this problem, which reads as follows: Suppose each node $v$ of a fixed graph has access to observations coming from two unknown node-specific pdfs, $p_v$ and $q_v$, and the goal is to estimate for each node the likelihood-ratio between both pdfs by also taking into account the information provided by the graph structure. The node-level estimation tasks are supposed to exhibit similarities conveyed by the graph, which suggests that the nodes could collaborate to solve them more efficiently. We develop this idea in a concrete non-parametric method that we call Graph-based Relative Unconstrained Least-squares Importance Fitting (GRULSIF). We derive convergence rates for our collaborative approach that highlights the role played by variables such as the number of available observations per node, the size of the graph, and how accurately the graph structure encodes the similarity between tasks. These theoretical results explicit the situations where collaborative estimation effectively leads to an improvement in performance compared to solving each problem independently. Finally, in a series of experiments, we illustrate how GRULSIF infers the likelihood-ratios at the nodes of the graph more accurately compared to state-of-the art LRE methods, which would operate independently at each node, and we also verify that the behavior of GRULSIF is aligned with our previous theoretical analysis.
• Abstract（参考訳）: 2つの未知の確率密度関数 (pdfs) と $p$ と $q$ から iid の観測があるとすれば、lre は利用可能なデータのみに依存することで、2つのpdfを比較するためのエレガントなアプローチである。 固定グラフの各ノード $v$ が未知のノード固有の 2 つの pdf から来る観察へのアクセス権を持つとする。 $p_v$ と $q_v$ であり、各ノードに対して、グラフ構造によって提供される情報も考慮して、両方の pdf 間のラピエート比を推定することである。 ノードレベルの推定タスクは、グラフによって伝達される類似性を示すもので、ノードがより効率的に解くために協力できることを示唆している。 我々はこの概念を,グラフベース相対非拘束最小二乗法(grulsif)と呼ぶ具体的非パラメトリック法で開発する。 我々は,ノードごとの利用可能な観測回数,グラフのサイズ,グラフ構造がタスク間の類似性をいかに正確にエンコードするかといった,変数が果たす役割を強調する協調アプローチの収束率を導出する。 これらの理論的な結果は、協調的な見積もりが効果的にパフォーマンスの向上に繋がる状況を明確にし、各問題を独立して解くことと比較する。 最後に,一連の実験において,各ノードで独立に動作する最先端lre法と比較して,グラフのノードの確率比をgrulsifがより正確に推定することを示すとともに,grulsifの挙動が従来の理論解析と一致していることを検証する。

関連論文リスト

• Robust Graph Matching Using An Unbalanced Hierarchical Optimal Transport Framework [30.05543844763625]
  本稿では,不均衡な階層的最適輸送フレームワークに基づく,新しい頑健なグラフマッチング手法を提案する。 グラフマッチングにおいて、クロスモーダルアライメントを利用するための最初の試みを行う。 様々なグラフマッチングタスクの実験は、最先端の手法と比較して、我々の手法の優越性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-10-18T16:16:53Z)
• Entropy Neural Estimation for Graph Contrastive Learning [9.032721248598088]
  グラフ上のコントラスト学習は、ノードの区別可能な高レベル表現を抽出することを目的としている。 本稿では,データセットのビュー間のペアワイズ表現を対比する,単純かつ効果的なサブセットサンプリング戦略を提案する。 7つのグラフベンチマークで広範な実験を行い、提案手法は競合性能を実現する。
  論文  参考訳（メタデータ） (2023-07-26T03:55:08Z)
• Line Graph Contrastive Learning for Link Prediction [4.876567687745239]
  多視点情報を得るために,Line Graph Contrastive Learning (LGCL)法を提案する。 6つの公開データセットの実験により、LGCLはリンク予測タスクの現在のベンチマークを上回っている。
  論文  参考訳（メタデータ） (2022-10-25T06:57:00Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• CoSimGNN: Towards Large-scale Graph Similarity Computation [5.17905821006887]
  グラフニューラルネットワーク(GNN)はこのタスクにデータ駆動型ソリューションを提供する。 既存のGNNベースの手法は、それぞれ2つのグラフを埋め込んだり、グラフ全体のクロスグラフインタラクションをデプロイしたりするが、まだ競合する結果が得られない。 このフレームワークは,まず適応的なプーリング操作で大きなグラフを埋め込んで粗くし,最後に類似点を求めるために粗いグラフにきめ細かな相互作用を展開させる。
  論文  参考訳（メタデータ） (2020-05-14T16:33:13Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。