Fugu-MT 論文翻訳(概要): Exact Inference in High-order Structured Prediction

論文の概要: Exact Inference in High-order Structured Prediction

arxiv url: http://arxiv.org/abs/2302.03236v1
Date: Tue, 7 Feb 2023 03:42:57 GMT
ステータス: 処理完了
システム内更新日: 2023-02-08 17:37:09.685526
Title: Exact Inference in High-order Structured Prediction
Title（参考訳）: 高次構造予測における厳密な推論
Authors: Chuyang Ke, Jean Honorio
Abstract要約: 我々は,高次推論問題の研究に生成モデルアプローチを適用した。ラベルの正確なリカバリのための2段階凸最適化アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 30.553697242038233
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we study the problem of inference in high-order structured prediction tasks. In the context of Markov random fields, the goal of a high-order inference task is to maximize a score function on the space of labels, and the score function can be decomposed into sum of unary and high-order potentials. We apply a generative model approach to study the problem of high-order inference, and provide a two-stage convex optimization algorithm for exact label recovery. We also provide a new class of hypergraph structural properties related to hyperedge expansion that drives the success in general high-order inference problems. Finally, we connect the performance of our algorithm and the hyperedge expansion property using a novel hypergraph Cheeger-type inequality.
Abstract（参考訳）: 本稿では,高次構造予測タスクにおける推論問題について検討する。マルコフ確率場の文脈において、高階推定タスクの目標はラベルの空間上のスコア関数を最大化することであり、スコア関数は一様ポテンシャルと高階ポテンシャルの合計に分解することができる。高次推論の問題を研究するために生成モデルアプローチを適用し、正確なラベル復元のための2段階凸最適化アルゴリズムを提供する。また,ハイパーエッジ展開に関連する新しいハイパーグラフ構造特性も提供し,一般的な高階推定問題の成功を促している。最後に,新しいハイパーグラフCheeger型不等式を用いて,アルゴリズムの性能とハイパーエッジ拡張特性を結合する。

関連論文リスト

SPHINX: Structural Prediction using Hypergraph Inference Network [19.853413818941608]
本稿では,非教師付き手法で遅延ハイパーグラフ構造を推論するモデルであるハイパーグラフ推論ネットワーク(SPHINX)を用いた構造予測を提案する。 k-サブセットサンプリングの最近の進歩は、離散ハイパーグラフ構造を生成するのに適したツールであることを示す。結果として得られるモデルは、現代のハイパーグラフニューラルネットワークに必要な高次構造を生成することができる。
論文参考訳（メタデータ） (2024-10-04T07:49:57Z)
Stochastic Zeroth-Order Optimization under Strongly Convexity and Lipschitz Hessian: Minimax Sample Complexity [59.75300530380427]
本稿では,アルゴリズムが検索対象関数の雑音評価にのみアクセス可能な2次スムーズかつ強い凸関数を最適化する問題を考察する。本研究は, ミニマックス単純後悔率について, 一致した上界と下界を発達させることにより, 初めて厳密な評価を行ったものである。
論文参考訳（メタデータ） (2024-06-28T02:56:22Z)
Hypergraph Isomorphism Computation [20.21325386855039]
Wesfieler-Lehmanカーネルフレームワークを提案し,Hypergraph Weisfeiler-Lehamn Subtree KernelとHypergraph Weisfeiler-Lehamn Hyperedge Kernelの2つの例を実装した。ハイパーグラフ分類データセットの結果は、他の典型的なカーネルベースの手法と比較して大幅に改善されている。
論文参考訳（メタデータ） (2023-07-26T09:39:40Z)
From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文参考訳（メタデータ） (2023-06-16T04:40:59Z)
Partial Inference in Structured Prediction [30.553697242038233]
グラフ上のラベル空間における一意ポテンシャルと対ポテンシャルでスコア関数を最大化するタスクを考える。カルーシュ・クーン=タッカー条件と原始的および二重構成に関する新しい視点を導入し、証明可能な保証付き部分回復のための統計的および位相的要件を提供する。
論文参考訳（メタデータ） (2023-06-06T18:27:20Z)
Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。 THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。 3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文参考訳（メタデータ） (2023-06-05T03:26:06Z)
Augmentations in Hypergraph Contrastive Learning: Fabricated and Generative [126.0985540285981]
我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
論文参考訳（メタデータ） (2022-10-07T20:12:20Z)
Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文参考訳（メタデータ） (2022-01-25T00:10:03Z)
HyperSF: Spectral Hypergraph Coarsening via Flow-based Local Clustering [9.438207505148947]
本稿では,ハイパーグラフのスペクトル(構造)特性を保存するために,効率的なスペクトルハイパーグラフ粗大化手法を提案する。提案手法は,ハイパーグラフクラスタリングのマルチウェイコンダクタンスを大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2021-08-17T22:20:23Z)
High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
論文参考訳（メタデータ） (2021-06-10T17:54:21Z)
Exact Partitioning of High-order Planted Models with a Tensor Nuclear Norm Constraint [30.553697242038233]
高次プラントモデルでは、いくつかの基盤となるクラスタ構造を仮定し、ノード間にハイパーエッジを配置することで高次相互作用をシミュレートする。計算効率のよい凸最適化問題を核ノルム制約で解くことにより,高次植立モデルの正確な分割が達成可能であることを示す。
論文参考訳（メタデータ） (2020-06-20T22:14:12Z)

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。