論文の概要: A simple way to learn metrics between attributed graphs

• arxiv url: http://arxiv.org/abs/2209.12727v1
• Date: Mon, 26 Sep 2022 14:32:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 16:59:04.309530
• Title: A simple way to learn metrics between attributed graphs
• Title（参考訳）: 帰属グラフ間のメトリクスを学習する簡単な方法
• Authors: Yacouba Kaloga and Pierre Borgnat and Amaury Habrard
• Abstract要約: トレーニング可能なパラメータがほとんどないSGMLモデルを提案する。 このモデルにより、ラベル付き(分散)グラフのデータベースから適切な距離を構築することができ、単純な分類アルゴリズムの性能を向上させることができる。
• 参考スコア（独自算出の注目度）: 11.207372645301094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The choice of good distances and similarity measures between objects is important for many machine learning methods. Therefore, many metric learning algorithms have been developed in recent years, mainly for Euclidean data in order to improve performance of classification or clustering methods. However, due to difficulties in establishing computable, efficient and differentiable distances between attributed graphs, few metric learning algorithms adapted to graphs have been developed despite the strong interest of the community. In this paper, we address this issue by proposing a new Simple Graph Metric Learning - SGML - model with few trainable parameters based on Simple Graph Convolutional Neural Networks - SGCN - and elements of Optimal Transport theory. This model allows us to build an appropriate distance from a database of labeled (attributed) graphs to improve the performance of simple classification algorithms such as $k$-NN. This distance can be quickly trained while maintaining good performances as illustrated by the experimental study presented in this paper.
• Abstract（参考訳）: オブジェクト間の良好な距離と類似度の選択は多くの機械学習手法において重要である。 したがって近年,分類法やクラスタリング法の性能向上のために,主にユークリッドデータのために多くの計量学習アルゴリズムが開発されている。 しかし, 属性グラフ間の計算可能, 効率的, 微分可能距離の確立が困難であったため, コミュニティの強い関心にもかかわらず, グラフに適応した計量学習アルゴリズムが開発されていない。 本稿では,単純なグラフ畳み込みニューラルネットワーク(SGCN)に基づくトレーニング可能なパラメータがほとんどない,新しいSGMLモデルと最適輸送理論の要素を提案することにより,この問題に対処する。 このモデルにより、ラベル付き(属性付き)グラフのデータベースから適切な距離を構築することができ、$k$-nnのような単純な分類アルゴリズムのパフォーマンスが向上します。 本論文で示すように, この距離は良好な性能を維持しつつ, 迅速に訓練することができる。

関連論文リスト

• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• Efficiently Learning the Graph for Semi-supervised Learning [4.518012967046983]
  共役勾配法を用いてスパース族から最良のグラフを効率的に学習する方法を示す。 我々の手法は、軽度な滑らかさの仮定の下で、オンラインのサブ線形後悔でグラフを効率的に学習するためにも利用できる。 提案手法を実装し,ベンチマークデータセット上の学習グラフを用いた半教師付き学習の先行研究に対して,大幅な(sim$10-100x)スピードアップを示す。
  論文  参考訳（メタデータ） (2023-06-12T13:22:06Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• Multi-view graph structure learning using subspace merging on Grassmann manifold [4.039245878626346]
  MV-GSL(Multi-View Graph Structure Learning)と呼ばれる多視点学習を用いた新しいグラフ構造学習手法を提案する。 グラスマン多様体上の部分空間マージを用いた異なるグラフ構造学習法を集約し、学習したグラフ構造の品質を向上させる。 実験の結果,提案手法はグラフ構造学習法とグラフ構造学習法を併用した場合と比較して有望な性能を示した。
  論文  参考訳（メタデータ） (2022-04-11T17:01:05Z)
• A Comprehensive Analytical Survey on Unsupervised and Semi-Supervised Graph Representation Learning Methods [4.486285347896372]
  本調査は,グラフ埋め込み手法のすべての主要なクラスを評価することを目的としている。 我々は,手動の特徴工学,行列分解,浅部ニューラルネットワーク,深部グラフ畳み込みネットワークなどの手法を含む分類学を用いてグラフ埋め込み手法を編成した。 我々はPyTorch GeometricおよびDGLライブラリ上で実験を設計し、異なるマルチコアCPUおよびGPUプラットフォーム上で実験を行った。
  論文  参考訳（メタデータ） (2021-12-20T07:50:26Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• 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)
• Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。 最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。 本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
  論文  参考訳（メタデータ） (2020-11-19T06:03:35Z)
• Distance Metric Learning for Graph Structured Data [23.3700989820887]
  グラフ分類問題に対する教師付き距離メトリック学習法を提案する。 本手法は,IGML (Interpretable graph metric learning) と命名され,サブグラフに基づく特徴空間における識別的指標を学習する。 いくつかのベンチマークデータセットを用いて,IGMLの計算効率と分類性能を実験的に評価した。
  論文  参考訳（メタデータ） (2020-02-03T13:42:43Z)
• Data-Driven Factor Graphs for Deep Symbol Detection [107.63351413549992]
  本稿では,因子グラフ法をデータ駆動方式で実装することを提案する。 特に,機械学習(ML)ツールを用いて因子グラフの学習を提案する。 我々は,BCJRNetと呼ばれる提案システムにおいて,BCJRアルゴリズムを小さなトレーニングセットから実装することを実証した。
  論文  参考訳（メタデータ） (2020-01-31T09:23:52Z)

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。