論文の概要: SmartGD: A GAN-Based Graph Drawing Framework for Diverse Aesthetic Goals
- arxiv url: http://arxiv.org/abs/2206.06434v3
- Date: Sun, 13 Aug 2023 06:55:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 23:25:32.560440
- Title: SmartGD: A GAN-Based Graph Drawing Framework for Diverse Aesthetic Goals
- Title（参考訳）: SmartGD: 多様な美容目標のためのGANベースのグラフ描画フレームワーク
- Authors: Xiaoqi Wang, Kevin Yen, Yifan Hu and Han-Wei Shen
- Abstract要約: 本稿では,グラフ描画のための新しいGAN(Generative Adversarial Network)フレームワークであるSmartGDを提案する。
SmartGDは、その差別性に関係なく、さまざまな定量的な美的目標を最適化できる。
いくつかのグラフ描画アルゴリズムと比較して,実験結果から,SmartGDは定量的かつ定性的に優れた性能を発揮することが示された。
- 参考スコア（独自算出の注目度）: 24.90195733615813
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While a multitude of studies have been conducted on graph drawing, many
existing methods only focus on optimizing a single aesthetic aspect of graph
layouts, which can lead to sub-optimal results. There are a few existing
methods that have attempted to develop a flexible solution for optimizing
different aesthetic aspects measured by different aesthetic criteria.
Furthermore, thanks to the significant advance in deep learning techniques,
several deep learning-based layout methods were proposed recently. These
methods have demonstrated the advantages of deep learning approaches for graph
drawing. However, none of these existing methods can be directly applied to
optimizing non-differentiable criteria without special accommodation. In this
work, we propose a novel Generative Adversarial Network (GAN) based deep
learning framework for graph drawing, called SmartGD, which can optimize
different quantitative aesthetic goals, regardless of their differentiability.
To demonstrate the effectiveness and efficiency of SmartGD, we conducted
experiments on minimizing stress, minimizing edge crossing, maximizing crossing
angle, maximizing shape-based metrics, and a combination of multiple
aesthetics. Compared with several popular graph drawing algorithms, the
experimental results show that SmartGD achieves good performance both
quantitatively and qualitatively.
- Abstract（参考訳）: グラフ描画について多くの研究が行われてきたが、既存の多くの手法はグラフレイアウトの1つの美的側面を最適化することにのみ焦点を絞っている。
異なる美的基準で測定される異なる美的側面を最適化するための柔軟なソリューションの開発を試みた既存の方法もいくつか存在する。
さらに,ディープラーニング技術の進歩により,近年,深層学習に基づくレイアウト手法が提案されている。
これらの手法は,グラフ描画における深層学習手法の利点を実証している。
しかし、これらの既存の手法は、特別な調節なしに、微分不可能な基準を最適化するために直接適用することはできない。
本研究では,グラフ描画のためのGAN(Generative Adversarial Network)ベースのディープラーニングフレームワークであるSmartGDを提案する。
smartgdの有効性と効率を実証するために, 応力の最小化, エッジ交差の最小化, 交差角の最大化, 形状に基づくメトリクスの最大化, 複数の美学の組み合わせについて実験を行った。
いくつかのグラフ描画アルゴリズムと比較して,実験結果から,SmartGDは定量的かつ定性的に優れた性能を発揮することが示された。
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。