論文の概要: A Prufer-Sequence Based Representation of Large Graphs for Structural Encoding of Logic Networks

• arxiv url: http://arxiv.org/abs/2209.01596v1
• Date: Sun, 4 Sep 2022 11:24:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 14:30:50.802494
• Title: A Prufer-Sequence Based Representation of Large Graphs for Structural Encoding of Logic Networks
• Title（参考訳）: 論理ネットワークの構造符号化のためのprufer-sequenceに基づく大規模グラフ表現
• Authors: Manjari Pradhan and Bhargab B. Bhattacharya
• Abstract要約: 本稿では,グラフの構造が実生活システムの性質に影響を及ぼすという仮説を主に懸念する。 このような構造的影響のモデルは、VLSI回路のような複雑で大規模なシステムの有用な性質を推論するのに有用である。
• 参考スコア（独自算出の注目度）: 0.30458514384586405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The pervasiveness of graphs in today's real life systems is quite evident, where the system either explicitly exists as graph or can be readily modelled as one. Such graphical structure is thus a store house rich information. This has various implication depending on whether we are interested in a node or the graph as a whole. In this paper, we are primarily concerned with the later, that is, the inference that the structure of the graph influences the property of the real life system it represents. A model of such structural influence would be useful in inferencing useful properties of complex and large systems, like VLSI circuits, through its structural property. However, before we can apply some machine learning (ML) based technique to model such relationship, an effective representation of the graph is imperative. In this paper, we propose a graph representation which is lossless, linear-sized in terms of number of vertices and gives a 1-D representation of the graph. Our representation is based on Prufer encoding for trees. Moreover, our method is based on a novel technique, called $\mathcal{GT}$-enhancement whereby we first transform the graph such that it can be represented by a singular tree. The encoding also provides scope to include additional graph property and improve the interpretability of the code.
• Abstract（参考訳）: 今日の実生活システムにおけるグラフの広範性は非常に明らかであり、システムはグラフとして明示的に存在するか、あるいは1つとして容易にモデル化できる。 このようなグラフィカルな構造は、ストアハウスの豊富な情報である。 これは、ノードやグラフ全体に関心があるかどうかによって、様々な意味を持つ。 本稿では,主に,グラフの構造が実生活システムの性質に影響を及ぼすという,後続の推論に関心を寄せる。 このような構造的影響のモデルは、その構造的特性を通じて、VLSI回路のような複雑で大規模なシステムの有用な性質を推論するのに有用である。 しかし、そのような関係をモデル化するために機械学習(ML)ベースの手法を適用する前に、グラフの効果的な表現が必須である。 本稿では,グラフの頂点数の観点から,損失のない線形サイズのグラフ表現を提案し,そのグラフの1次元表現を与える。 我々の表現は木のプルーファーエンコーディングに基づいている。 さらに,本手法は,単木で表現可能なグラフを初めて変換する,$\mathcal{GT}$-enhancementと呼ばれる新しい手法に基づいている。 エンコーディングはまた、追加のグラフプロパティを含めるスコープを提供し、コードの解釈性を改善する。

関連論文リスト

• SynGraphy: Succinct Summarisation of Large Networks via Small Synthetic Representative Graphs [4.550112751061436]
  大規模ネットワークデータセットの構造を視覚的に要約するSynGraphyについて述べる。 入力グラフに類似した構造特性を持つために生成されたより小さなグラフを描画する。
  論文  参考訳（メタデータ） (2023-02-15T16:00:15Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Generating a Doppelganger Graph: Resembling but Distinct [5.618335078130568]
  本論文では,与えられたグラフ特性に類似したドッペルガンガーグラフを生成する手法を提案する。 このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。
  論文  参考訳（メタデータ） (2021-01-23T22:08:27Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Unsupervised Graph Representation by Periphery and Hierarchical Information Maximization [18.7475578342125]
  グラフニューラルネットワークの発明により、ベクトル空間におけるノードとグラフ全体の表現の最先端性が向上した。 グラフ表現全体について、既存のグラフニューラルネットワークの大部分は、教師付き方法でグラフ分類損失に基づいてトレーニングされている。 本稿では,グラフ全体のベクトル表現を生成するための教師なしグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-08T15:50:40Z)
• 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)
• Graph Signal Processing -- Part III: Machine Learning on Graphs, from Graph Topology to Applications [19.29066508374268]
  このモノグラフのパートIIIは、グラフトポロジーを学ぶ方法に対処することから始まる。 特に注目されるのは、観測データの相関および精度行列に基づくグラフトポロジーの定義である。 スパースグラフの学習には、LASSOとして知られる最小絶対縮小と選択演算子を用いる。
  論文  参考訳（メタデータ） (2020-01-02T13:14:27Z)
• Deep Learning for Learning Graph Representations [58.649784596090385]
  グラフデータのマイニングはコンピュータ科学においてポピュラーな研究トピックとなっている。 ネットワークデータの膨大な量は、効率的な分析に大きな課題をもたらしている。 これはグラフ表現の出現を動機付け、グラフを低次元ベクトル空間にマッピングする。
  論文  参考訳（メタデータ） (2020-01-02T02:13:28Z)

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。