論文の概要: QESK: Quantum-based Entropic Subtree Kernels for Graph Classification
- arxiv url: http://arxiv.org/abs/2212.05228v1
- Date: Sat, 10 Dec 2022 07:10:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 15:28:34.363368
- Title: QESK: Quantum-based Entropic Subtree Kernels for Graph Classification
- Title（参考訳）: QESK:グラフ分類のための量子ベースのエントロピーサブツリーカーネル
- Authors: Lu Bai, Lixin Cui, Edwin R. Hancock
- Abstract要約: グラフ分類のための新しいグラフカーネル、すなわち量子ベースのエントロピーサブツリーカーネル(QESK)を提案する。
古典的なWeisfeiler-Lehman (WL) アルゴリズムに付随する一連のエントロピー部分木表現を計算するために,この AMM 行列を用いる方法を示す。
提案したQESKカーネルは,グラフ分類問題に対する最先端のグラフカーネルやグラフ深層学習法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 11.51839867040302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a novel graph kernel, namely the Quantum-based
Entropic Subtree Kernel (QESK), for Graph Classification. To this end, we
commence by computing the Average Mixing Matrix (AMM) of the Continuous-time
Quantum Walk (CTQW) evolved on each graph structure. Moreover, we show how this
AMM matrix can be employed to compute a series of entropic subtree
representations associated with the classical Weisfeiler-Lehman (WL) algorithm.
For a pair of graphs, the QESK kernel is defined by computing the
exponentiation of the negative Euclidean distance between their entropic
subtree representations, theoretically resulting in a positive definite graph
kernel. We show that the proposed QESK kernel not only encapsulates complicated
intrinsic quantum-based structural characteristics of graph structures through
the CTQW, but also theoretically addresses the shortcoming of ignoring the
effects of unshared substructures arising in state-of-the-art R-convolution
graph kernels. Moreover, unlike the classical R-convolution kernels, the
proposed QESK can discriminate the distinctions of isomorphic subtrees in terms
of the global graph structures, theoretically explaining the effectiveness.
Experiments indicate that the proposed QESK kernel can significantly outperform
state-of-the-art graph kernels and graph deep learning methods for graph
classification problems.
- Abstract（参考訳）: 本稿では,グラフ分類のための新しいグラフカーネル,すなわち量子ベースのEntropic Subtree Kernel (QESK)を提案する。
この目的のために、各グラフ構造上で進化した連続時間量子ウォーク(CTQW)の平均混合行列(AMM)を計算して開始する。
さらに、このAMM行列を用いて、古典的なWeisfeiler-Lehman (WL)アルゴリズムに関連する一連のエントロピー部分木表現を計算する方法を示す。
一対のグラフに対して、qeskカーネルは、それらのエントロピー部分木表現の間の負ユークリッド距離の指数を計算し、理論的には正の定値グラフカーネルとなる。
提案したQESKカーネルは,CTQWを介して,複雑な固有量子ベースのグラフ構造特性をカプセル化するだけでなく,最先端のR-畳み込みグラフカーネルに生じる非共有サブ構造の影響を無視する欠点を理論的に解決する。
さらに、古典的なR-畳み込みカーネルとは異なり、提案されたQESKは、大域グラフ構造の観点から同型部分木の区別を識別することができ、その効果を理論的に説明できる。
実験により,提案するqeskカーネルは,最先端のグラフカーネルやグラフ分類問題に対するグラフ深層学習手法を大きく上回ることが示された。
関連論文リスト
- LSEnet: Lorentz Structural Entropy Neural Network for Deep Graph Clustering [59.89626219328127]
グラフクラスタリングは機械学習の基本的な問題である。
近年、ディープラーニング手法は最先端の成果を達成しているが、事前に定義されたクラスタ番号なしでは動作できない。
本稿では,グラフ情報理論の新たな視点からこの問題に対処することを提案する。
論文 参考訳（メタデータ） (2024-05-20T05:46:41Z) - Deep Hierarchical Graph Alignment Kernels [16.574634620245487]
この問題を解決するために,Deep Hierarchical Graph Alignment Kernels (DHGAK)を導入する。
具体的には、関係部分構造は、その深い埋め込み空間におけるクラスタ分布に階層的に整列している。
DHGAKは正の半定値であり、再生ケルネルヒルベルト空間において線形分離性を持つ。
論文 参考訳（メタデータ） (2024-05-09T05:08:30Z) - AKBR: Learning Adaptive Kernel-based Representations for Graph Classification [43.87164777893224]
グラフ分類のための適応カーネルベース表現(AKBR)を学習するための新しいモデルを提案する。
提案手法は,グラフの適応型カーネル行列を構築するために,エンドツーエンドの表現学習モデルを定義することを目的としている。
実験結果から,提案したAKBRモデルは,標準グラフベンチマークにおいて,既存の最先端グラフカーネルやディープラーニング手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-03-24T13:01:05Z) - AERK: Aligned Entropic Reproducing Kernels through Continuous-time
Quantum Walks [17.95088104970343]
グラフ分類のためのアラインドエントロピー再生カーネル(AERK)を開発した。
ペアワイズグラフでは、提案されたAERKカーネルは、それぞれのペアの整列頂点の量子シャノンエントロピー間の再現カーネルに基づく類似性を計算することで定義される。
標準グラフデータセットに対する実験的評価は,提案したAERKカーネルがグラフ分類タスクの最先端グラフカーネルより優れていることを示す。
論文 参考訳（メタデータ） (2023-03-04T16:48:39Z) - HAQJSK: Hierarchical-Aligned Quantum Jensen-Shannon Kernels for Graph
Classification [17.95088104970343]
我々は、新しい量子核の族、すなわち階層的配向量子Jensen-Shannon Kernels (HAQJSK)を提案する。
提案したHAQJSKカーネルは、連続時間量子ウォーク(CTQW)の観点から、より固有なグローバルグラフ特性を反映していることを示す。
QJSDとCTQWに関連付けられた以前の量子Jensen-Shannonカーネルとは異なり、提案されたHAQJSKカーネルは、置換不変性と正定性の性質を同時に保証することができる。
論文 参考訳（メタデータ） (2022-11-05T13:35:04Z) - 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) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳（メタデータ） (2020-10-09T07:35:26Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳（メタデータ） (2020-05-16T04:44:29Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳（メタデータ） (2020-02-20T09:53:28Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z) - A Hierarchical Transitive-Aligned Graph Kernel for Un-attributed Graphs [11.51839867040302]
我々は、グラフ間の頂点を推移的に整列させることにより、新しいグラフカーネル、すなわち階層的推移型カーネルを開発する。
提案したカーネルは、分類精度の観点から、標準グラフベースのデータセット上で最先端のグラフカーネルより優れている。
論文 参考訳（メタデータ） (2020-02-08T11:46:25Z)
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。