論文の概要: SmartGD: A Self-Challenging Generative Adversarial Network for Graph
Drawing
- arxiv url: http://arxiv.org/abs/2206.06434v1
- Date: Mon, 13 Jun 2022 19:28:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-15 15:00:35.666536
- Title: SmartGD: A Self-Challenging Generative Adversarial Network for Graph
Drawing
- Title（参考訳）: SmartGD:グラフ描画のための自己変化型ジェネレータネットワーク
- Authors: Xiaoqi Wang, Kevin Yen, Yifan Hu and Han-Wei Shen
- Abstract要約: 本稿では,学習者のGANに基づくグラフ描画フレームワークSmartGDを提案する。
提案するグラフ描画フレームワークは,優れたレイアウト例と同様のスタイルでグラフを描画できるだけでなく,任意の審美基準に従ってグラフレイアウトを最適化することができる。
- 参考スコア（独自算出の注目度）: 16.137603606990783
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A multitude of studies have been conducted on graph drawing, but many
existing methods only focus on optimizing particular aesthetic aspects of graph
layout. Given a graph, generating a good layout that satisfies certain human
aesthetic preference remains a challenging task, especially if such preference
can not be expressed as a differentiable objective function. In this paper, we
propose a student-teacher GAN-based graph drawing framework, SmartGD, which
learns to draw graphs just like how humans learn to perform tasks. The student
network in the SmartGD learns graph drawing by imitating good layout examples,
while the teacher network in SmartGD is responsible for providing ratings
regarding the goodness of the generated layouts. When there is a lack of
concrete aesthetic criteria to specify what constitutes a good layout, the
student network can learn from the good layout examples. On the other hand,
when the goodness of a layout can be assessed by quantitative criteria (even if
not differentiable), the student network can use it as a concrete goal to
optimize the target aesthetics. To accomplish the goal, we propose a novel
variant of GAN, self-challenging GAN, to learn the optimal layout distribution
with respect to any aesthetic criterion, whether the criterion is
differentiable or not. The proposed graph drawing framework can not only draw
graphs in a similar style as the good layout examples but also optimize the
graph layouts according to any given aesthetic criteria when available. Once
the model is trained, it can be used to visualize arbitrary graphs according to
the style of the example layouts or the chosen aesthetic criteria. The
comprehensive experimental studies show that SmartGD outperforms 12 benchmark
methods according to the commonly agreed metrics.
- Abstract（参考訳）: グラフ描画に関する研究は数多く行われているが、既存の手法の多くはグラフレイアウトの特定の美的側面を最適化することだけに焦点を当てている。
グラフが与えられた場合、人間の美的嗜好を満たす良いレイアウトを生成することは、特にそのような嗜好が微分可能な目的関数として表現できない場合、難しい課題である。
本稿では,学習者によるGANベースのグラフ描画フレームワークSmartGDを提案する。
SmartGDの学生ネットワークは、良いレイアウトの例を模倣してグラフ描画を学習し、SmartGDの教師ネットワークは、生成されたレイアウトの良さに関する評価を提供する。
よいレイアウトを構成するものを特定するための具体的な美的基準がない場合、学生ネットワークは良いレイアウト例から学ぶことができる。
一方、定量的基準(差別化不可能でも)でレイアウトの良さを評価できる場合、学生ネットワークは、ターゲットの美学を最適化するための具体的目標として利用することができる。
目的を達成するために,GAN の新たな変種である自己整合性 GAN を提案し,審美的基準に対する最適レイアウト分布を,基準が微分可能か否かに関わらず学習する。
提案するグラフ描画フレームワークは,優れたレイアウト例と同様のスタイルでグラフを描画できるだけでなく,任意の審美基準に従ってグラフレイアウトを最適化することができる。
モデルがトレーニングされると、サンプルレイアウトのスタイルや選択された美的基準に従って任意のグラフを視覚化することができる。
総合的な実験研究により、SmartGDは、一般的に合意されている指標に従って12のベンチマークメソッドを上回ります。
関連論文リスト
- Gradient-Free Supervised Learning using Spike-Timing-Dependent Plasticity for Image Recognition [3.087000217989688]
スパイキングニューラルネットワークにおける教師あり学習へのアプローチは、画像認識のためのスパイクタイピング依存の可塑性と組み合わせて、勾配のない手法を用いて提示される。
提案するネットワークアーキテクチャは、複数の層にスケーラブルであり、より複雑で深いSNNモデルの開発を可能にする。
論文 参考訳（メタデータ） (2024-10-21T21:32:17Z) - Variational Stochastic Gradient Descent for Deep Neural Networks [16.96187187108041]
現在の最先端は、Adamのような適応的勾配に基づく最適化手法である。
ここでは,2つのアプローチを組み合わせることを提案し,その結果,VSGD(Variational Gradient Descent)を導出する。
我々は、VSGD法がAdamのような他の適応勾配ベースとどのように関係しているかを示す。
論文 参考訳（メタデータ） (2024-04-09T18:02:01Z) - Curriculum-Enhanced Residual Soft An-Isotropic Normalization for
Over-smoothness in Deep GNNs [4.468525856678543]
本稿では,ノード埋め込みの多様性を保ち,過密性による不識別を防止するためのソフトグラフ正規化手法を提案する。
また, ディープGNNの最適化を向上するために, ラベル平滑な学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-13T15:42:14Z) - Learning How to Propagate Messages in Graph Neural Networks [55.2083896686782]
本稿では,グラフニューラルネットワーク(GNN)におけるメッセージ伝搬戦略の学習問題について検討する。
本稿では,GNNパラメータの最大類似度推定を支援するために,最適伝搬ステップを潜時変数として導入する。
提案フレームワークは,GNNにおけるメッセージのパーソナライズおよび解釈可能な伝達戦略を効果的に学習することができる。
論文 参考訳（メタデータ） (2023-10-01T15:09:59Z) - Online Network Source Optimization with Graph-Kernel MAB [62.6067511147939]
大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。
適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。
我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
論文 参考訳（メタデータ） (2023-07-07T15:03:42Z) - Model-Based Deep Learning: On the Intersection of Deep Learning and
Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。
数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。
モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文 参考訳（メタデータ） (2022-05-05T13:40:08Z) - Learning Graph Regularisation for Guided Super-Resolution [77.7568596501908]
誘導超解像のための新しい定式化を導入する。
そのコアは、学習親和性グラフ上で動作する微分可能な最適化層である。
提案手法をいくつかのデータセット上で広範囲に評価し, 定量的な再構成誤差の点から最近のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2022-03-27T13:12:18Z) - Towards a Unified Approach to Homography Estimation Using Image Features
and Pixel Intensities [0.0]
ホモグラフィ行列は、様々な視覚に基づくロボットタスクにおいて重要な要素である。
伝統的に、ホモグラフィー推定アルゴリズムは特徴ベースまたは強度ベースに分類される。
本稿では,2つのクラスを1つの非線形最適化手順に統合するハイブリッド手法を提案する。
論文 参考訳（メタデータ） (2022-02-20T02:47:05Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - DeepGD: A Deep Learning Framework for Graph Drawing Using GNN [18.718427495348784]
本稿では,畳み込みグラフニューラルネットワークに基づくディープラーニングフレームワークDeepGDを提案する。
複数の事前指定された美学の間で妥協してレイアウトを生成する。
トレードオフのバランスをとるために,各審美の重み係数を調整する2つの適応的トレーニング戦略を提案する。
論文 参考訳（メタデータ） (2021-06-27T07:18:09Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳（メタデータ） (2021-02-14T05:28:13Z)
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。