論文の概要: Metric Distribution to Vector: Constructing Data Representation via Broad-Scale Discrepancies

• arxiv url: http://arxiv.org/abs/2210.00415v1
• Date: Sun, 2 Oct 2022 03:18:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 13:13:36.067124
• Title: Metric Distribution to Vector: Constructing Data Representation via Broad-Scale Discrepancies
• Title（参考訳）: ベクトルへの距離分布:広範差分によるデータ表現の構築
• Authors: Xue Liu, Dan Sun, Xiaobo Cao, Hao Ye, Wei Wei
• Abstract要約: 本稿では,各データに対するベクトル表現に分布特性を抽出するために, $mathbfMetricDistribution2vec$ という新しい埋め込み方式を提案する。 本研究では,広範囲な実世界構造グラフデータセット上での教師付き予測タスクにおける表現法の適用と有効性を示す。
• 参考スコア（独自算出の注目度）: 15.40538348604094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph embedding provides a feasible methodology to conduct pattern classification for graph-structured data by mapping each data into the vectorial space. Various pioneering works are essentially coding method that concentrates on a vectorial representation about the inner properties of a graph in terms of the topological constitution, node attributions, link relations, etc. However, the classification for each targeted data is a qualitative issue based on understanding the overall discrepancies within the dataset scale. From the statistical point of view, these discrepancies manifest a metric distribution over the dataset scale if the distance metric is adopted to measure the pairwise similarity or dissimilarity. Therefore, we present a novel embedding strategy named $\mathbf{MetricDistribution2vec}$ to extract such distribution characteristics into the vectorial representation for each data. We demonstrate the application and effectiveness of our representation method in the supervised prediction tasks on extensive real-world structural graph datasets. The results have gained some unexpected increases compared with a surge of baselines on all the datasets, even if we take the lightweight models as classifiers. Moreover, the proposed methods also conducted experiments in Few-Shot classification scenarios, and the results still show attractive discrimination in rare training samples based inference.
• Abstract（参考訳）: グラフ埋め込みは、各データをベクトル空間にマッピングすることにより、グラフ構造化データのパターン分類を行うための実現可能な方法論を提供する。 様々な先駆的な研究は、本質的には、トポロジカルな構成、ノード属性、リンク関係などの観点からグラフの内部特性に関するベクトル表現に集中するコーディング方法である。 しかし、各対象データの分類は、データセットスケールにおける全体的な相違点の理解に基づく質的な問題である。 統計学的観点からは、距離計量がペアの類似性や相似性を測定するために採用された場合、これらの相違はデータセットスケール上の計量分布を示す。 そこで,このような分布特性を各データに対してベクトル表現に抽出する,$\mathbf{metricdistribution2vec}$という新しい埋め込み戦略を提案する。 大規模実世界の構造グラフデータセットにおける教師付き予測タスクにおける表現法の適用と有効性を示す。 たとえ軽量モデルを分類器として利用しても、すべてのデータセットにおけるベースラインの急増と比較すると、結果は予期しないほど増加しています。 さらに,本手法はFew-Shot分類のシナリオにおいても実験を行い,希少なトレーニングサンプルを用いた推論では魅力的な差別性を示した。

関連論文リスト

• Disentangled Hyperbolic Representation Learning for Heterogeneous Graphs [29.065531121422204]
  本稿では,分散ハイパーボリックなヘテロジニアスグラフ畳み込みネットワークである$textDis-H2textGCN$を提案する。 提案した$textDis-H2textGCN$を実世界の5つの異種グラフデータセット上で評価した。
  論文  参考訳（メタデータ） (2024-06-14T18:50:47Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• 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)
• Fascinating Supervisory Signals and Where to Find Them: Deep Anomaly Detection with Scale Learning [11.245813423781415]
  我々は、データラベルとして特性-スケール-を導入することで、データのための新しいデータ駆動監視を考案する。 スケールは変換された表現にアタッチされたラベルとして機能し、ニューラルネットワークのトレーニングに十分なラベル付きデータを提供する。 本稿では,大規模学習に基づく異常検出手法を提案する。
  論文  参考訳（メタデータ） (2023-05-25T14:48:00Z)
• 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)
• 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)
• Size-Invariant Graph Representations for Graph Classification Extrapolations [6.143735952091508]
  一般に、グラフ表現学習法は、テストデータとトレーニングデータが同じ分布から来ると仮定する。 本研究は, 因果モデルを用いて, トレインデータとテストデータの間をより外挿する近似不変表現を学習できることを示す。
  論文  参考訳（メタデータ） (2021-03-08T20:01:59Z)
• Learning non-Gaussian graphical models via Hessian scores and triangular transport [6.308539010172309]
  連続分布と非ガウス分布のマルコフ構造を学習するアルゴリズムを提案する。 このアルゴリズムは三角トランスポートマップによって誘導される決定論的結合を用いて密度を推定し、グラフのスパース性を明らかにするために地図内のスパース構造を反復的に活用する。
  論文  参考訳（メタデータ） (2021-01-08T16:42:42Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。