論文の概要: FORBID: Fast Overlap Removal By stochastic gradIent Descent for Graph
Drawing
- arxiv url: http://arxiv.org/abs/2208.10334v2
- Date: Mon, 17 Apr 2023 16:02:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 00:25:09.606858
- Title: FORBID: Fast Overlap Removal By stochastic gradIent Descent for Graph
Drawing
- Title(参考訳): forbid:グラフ描画のための確率的勾配降下による高速重なり除去
- Authors: Loann Giovannangeli, Frederic Lalanne, Romain Giot and Romain Bourqui
- Abstract要約: ノード間のオーバーラップは、グラフの可視化の可読性を妨げます。
オーバーラップ除去(OR)アルゴリズムはレイアウト後処理として提案されている。
共同応力およびスケーリング最適化問題として,新しい勾配モデルORを提案する。
- 参考スコア(独自算出の注目度): 1.1470070927586014
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While many graph drawing algorithms consider nodes as points, graph
visualization tools often represent them as shapes. These shapes support the
display of information such as labels or encode various data with size or
color. However, they can create overlaps between nodes which hinder the
exploration process by hiding parts of the information. It is therefore of
utmost importance to remove these overlaps to improve graph visualization
readability. If not handled by the layout process, Overlap Removal (OR)
algorithms have been proposed as layout post-processing. As graph layouts
usually convey information about their topology, it is important that OR
algorithms preserve them as much as possible. We propose a novel algorithm that
models OR as a joint stress and scaling optimization problem, and leverages
efficient stochastic gradient descent. This approach is compared with
state-of-the-art algorithms, and several quality metrics demonstrate its
efficiency to quickly remove overlaps while retaining the initial layout
structures.
- Abstract(参考訳): 多くのグラフ描画アルゴリズムはノードをポイントとみなすが、グラフ視覚化ツールはそれらを形として表現することが多い。
これらの形状はラベルなどの情報を表示するか、サイズや色で様々なデータをエンコードする。
しかし、情報の一部を隠蔽することで探索プロセスを妨げるノード間の重複を生成することができる。
したがって、グラフ視覚化の可読性を改善するためにこれらの重複を取り除くことが最も重要である。
レイアウトプロセスで処理されない場合、オーバーラップ除去(OR)アルゴリズムがレイアウト後処理として提案されている。
グラフレイアウトは通常、そのトポロジに関する情報を伝達するので、ORアルゴリズムは可能な限り保存することが重要である。
本稿では,ORを共同応力およびスケーリング最適化問題としてモデル化し,効率的な確率勾配勾配を求めるアルゴリズムを提案する。
このアプローチは最先端のアルゴリズムと比較され、いくつかの品質指標は、初期レイアウト構造を維持しながらオーバーラップを素早く除去する効率を示している。
関連論文リスト
- Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-06-14T09:21:15Z) - Improved Exact and Heuristic Algorithms for Maximum Weight Clique [1.2074552857379273]
最大重量傾き問題の解法として,精度の向上とラベリングアルゴリズムを提案する。
提案アルゴリズムは, 局所グラフ構造を用いた新しいデータ削減規則を用いて, 成功した手法をインターリーブする。
我々は,アルゴリズムを合成および実世界のグラフで評価し,ほとんどの入力において,その技術の現状よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-02-01T14:02:06Z) - Sketch-Based Anomaly Detection in Streaming Graphs [89.52200264469364]
動的グラフからのグラフエッジのストリームを前提に、オンライン形式でエッジやサブグラフに異常スコアを割り当てるにはどうすればよいのか?
本手法は,高密度部分グラフ探索を取り入れた最初のストリーミング手法であり,一定時間におけるグラフ異常を検出する。
論文 参考訳(メタデータ) (2021-06-08T16:10:36Z) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳(メタデータ) (2021-03-30T08:58:45Z) - Understanding Coarsening for Embedding Large-Scale Graphs [3.6739949215165164]
機械学習(ML)アルゴリズムによるグラフの適切な解析は、研究や産業の多くの分野において、より深い洞察をもたらす可能性がある。
グラフデータの不規則構造は、グラフ上でMLタスクを実行するための障害を構成する。
本研究では, 粗大化品質が埋込み性能に及ぼす影響を, 速度と精度の両方で解析する。
論文 参考訳(メタデータ) (2020-09-10T15:06:33Z) - About Graph Degeneracy, Representation Learning and Scalability [2.029783382155471]
ウォークベースグラフ表現学習アルゴリズムの時間とメモリ消費を削減するために,Kコア分解を利用した2つの手法を提案する。
提案手法の有効性を,いくつかの学術的データセットを用いて評価した。
論文 参考訳(メタデータ) (2020-09-04T09:39:43Z) - Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。
提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文 参考訳(メタデータ) (2020-03-12T22:31:59Z) - Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。
本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。
いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
論文 参考訳(メタデータ) (2020-03-10T02:33:14Z) - A Grid-based Method for Removing Overlaps of Dimensionality Reduction
Scatterplot Layouts [40.11095094521714]
Distance Grid (DGrid) は、DDR(Diality Reduction) scatterplotレイアウトのオーバーラップを取り除くための新しい後処理戦略である。
元のレイアウトの特徴を忠実に保存し、最小のグリフサイズを束縛する。
論文 参考訳(メタデータ) (2019-03-08T18:20:36Z)
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。