論文の概要: Robust Graph Structure Learning over Images via Multiple Statistical Tests

• arxiv url: http://arxiv.org/abs/2210.03956v1
• Date: Sat, 8 Oct 2022 07:56:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 17:20:41.343214
• Title: Robust Graph Structure Learning over Images via Multiple Statistical Tests
• Title（参考訳）: 複数統計テストによる画像上のロバストグラフ構造学習
• Authors: Yaohua Wang, FangYi Zhang, Ming Lin, Senzhang Wang, Xiuyu Sun, Rong Jin
• Abstract要約: 画像間のグラフを構築する自然な方法は、各画像をノードとして扱い、一対の画像類似性を対応するエッジに重みとして割り当てることである。 画像間の対の類似性は特徴表現のノイズに敏感であり、信頼できないグラフ構造をもたらすことはよく知られている。 各ノードの特徴ベクトルを独立したサンプルとして見ることにより、特徴表現における類似性に基づいて2ノード間のエッジを作成するかどうかを、$it single$statistical testとみなすことができる。
• 参考スコア（独自算出の注目度）: 25.97631995863608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph structure learning aims to learn connectivity in a graph from data. It is particularly important for many computer vision related tasks since no explicit graph structure is available for images for most cases. A natural way to construct a graph among images is to treat each image as a node and assign pairwise image similarities as weights to corresponding edges. It is well known that pairwise similarities between images are sensitive to the noise in feature representations, leading to unreliable graph structures. We address this problem from the viewpoint of statistical tests. By viewing the feature vector of each node as an independent sample, the decision of whether creating an edge between two nodes based on their similarity in feature representation can be thought as a ${\it single}$ statistical test. To improve the robustness in the decision of creating an edge, multiple samples are drawn and integrated by ${\it multiple}$ statistical tests to generate a more reliable similarity measure, consequentially more reliable graph structure. The corresponding elegant matrix form named $\mathcal{B}\textbf{-Attention}$ is designed for efficiency. The effectiveness of multiple tests for graph structure learning is verified both theoretically and empirically on multiple clustering and ReID benchmark datasets. Source codes are available at https://github.com/Thomas-wyh/B-Attention.
• Abstract（参考訳）: グラフ構造学習は、データからグラフの接続性を学ぶことを目的としている。 多くの場合、画像には明示的なグラフ構造がないため、多くのコンピュータビジョン関連のタスクで特に重要である。 画像間のグラフを構築する自然な方法は、各画像をノードとして扱い、一対の画像類似性を対応するエッジに重みとして割り当てることである。 画像間の対の類似性は特徴表現のノイズに敏感であり、信頼できないグラフ構造をもたらすことはよく知られている。 我々はこの問題を統計的テストの観点から扱う。 各ノードの特徴ベクトルを独立したサンプルとして見ることにより、特徴表現の類似性に基づいて2ノード間のエッジを作成するかどうかを、${\it single}$statistical testと考えることができる。 エッジ作成の決定におけるロバスト性を改善するために、複数のサンプルを${\it multiple}$統計テストで描画して統合し、より信頼性の高い類似度尺度を生成する。 対応するエレガントな行列形式 $\mathcal{B}\textbf{-Attention}$ は効率性のために設計されている。 グラフ構造学習における複数のテストの有効性を,複数のクラスタリングおよびReIDベンチマークデータセット上で理論的および経験的に検証する。 ソースコードはhttps://github.com/Thomas-wyh/B-Attention.comで入手できる。

関連論文リスト

• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• Tensor-based Graph Learning with Consistency and Specificity for Multi-view Clustering [20.925436328405574]
  一貫性と特異性を同時に検討する新しい多視点グラフ学習フレームワークを提案する。 我々は、ノイズフリーグラフ融合のための新しいテンソルベースのターゲットグラフ学習パラダイムを定式化する。 6つのデータセットの実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2024-03-27T09:30:50Z)
• Collaborative non-parametric two-sample testing [55.98760097296213]
  目標は、null仮説の$p_v = q_v$が拒否されるノードを特定することである。 グラフ構造を効率的に活用する非パラメトリックコラボレーティブ2サンプルテスト(CTST)フレームワークを提案する。 提案手法は,f-divergence Estimation, Kernel Methods, Multitask Learningなどの要素を統合する。
  論文  参考訳（メタデータ） (2024-02-08T14:43:56Z)
• Graph Mixup with Soft Alignments [49.61520432554505]
  本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。 ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
  論文  参考訳（メタデータ） (2023-06-11T22:04:28Z)
• Generative Subgraph Contrast for Self-Supervised Graph Representation Learning [16.374143635724327]
  本稿では, 適応部分グラフ生成をベースとした, 効率的かつ堅牢な自己教師付きグラフ表現学習のためのコントラスト学習フレームワークを提案する。 本研究の目的は,グラフの内在的構造を捕捉し,サブグラフの特徴と構造に基づいてサンプルを同時に識別することで,対照的なサンプルを生成することである。
  論文  参考訳（メタデータ） (2022-07-25T09:08:46Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Interactive Visual Pattern Search on Graph Data via Graph Representation Learning [20.795511688640296]
  視覚分析システムGraphQは、ループ内、サンプルベース、サブグラフパターン検索をサポートする。 高速で対話的なクエリをサポートするために、グラフニューラルネットワーク(GNN)を使用して、グラフを固定長潜在ベクトル表現としてエンコードする。 また,NuroAlignと呼ばれるノードアライメントのための新しいGNNを提案し,クエリ結果の検証と解釈を容易にする。
  論文  参考訳（メタデータ） (2022-02-18T22:30:28Z)
• COLOGNE: Coordinated Local Graph Neighborhood Sampling [1.6498361958317633]
  グラフノードのような個別の未順序オブジェクトを実数値ベクトルで置き換えることは、グラフデータから学ぶための多くのアプローチの中心である。 ノードベクトル表現の座標がグラフノードであるような離散ノード埋め込みを学習する問題に対処する。 これにより、ノードにもともと存在するすべての属性が保存されているため、グラフの解釈可能な機械学習アルゴリズムを設計する扉が開く。
  論文  参考訳（メタデータ） (2021-02-09T11:39:06Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)

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。