Fugu-MT 論文翻訳(概要): Joint Graph and Vertex Importance Learning

論文の概要: Joint Graph and Vertex Importance Learning

arxiv url: http://arxiv.org/abs/2303.08552v1
Date: Wed, 15 Mar 2023 12:12:13 GMT
ステータス: 処理完了
システム内更新日: 2023-03-16 18:05:43.123478
Title: Joint Graph and Vertex Importance Learning
Title（参考訳）: ジョイントグラフと頂点重要度学習
Authors: Benjamin Girault, Eduardo Pavez, Antonio Ortega
Abstract要約: ラプラシアンアプローチと比較してエッジウェイト上界が小さいグラフを学習する新しい手法を提案する。実験により, より解釈可能なモデルを用いて, ラプラシアン法に比べてスペーサーグラフが多数得られた。
参考スコア（独自算出の注目度）: 47.249968772606145
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we explore the topic of graph learning from the perspective of the Irregularity-Aware Graph Fourier Transform, with the goal of learning the graph signal space inner product to better model data. We propose a novel method to learn a graph with smaller edge weight upper bounds compared to combinatorial Laplacian approaches. Experimentally, our approach yields much sparser graphs compared to a combinatorial Laplacian approach, with a more interpretable model.
Abstract（参考訳）: 本稿では,不規則性に着目したグラフフーリエ変換の観点からグラフ学習の話題を考察し,グラフ信号空間内積を学習し,モデルデータを改善することを目的としている。組合せラプラシアンアプローチと比較してエッジウェイト上限が小さいグラフを学習する新しい手法を提案する。実験的に、このアプローチはより解釈可能なモデルを持つ組合せラプラシアンアプローチに比べて多くのスパーサーグラフを生成する。

関連論文リスト

Polynomial Graphical Lasso: Learning Edges from Gaussian Graph-Stationary Signals [18.45931641798935]
本稿では,Nudal信号からグラフ構造を学習する新しい手法であるPolynomial Graphical Lasso (PGL)を紹介する。我々の重要な貢献は、グラフ上のガウス的および定常的な信号であり、グラフ学習ラッソの開発を可能にすることである。
論文参考訳（メタデータ） (2024-04-03T10:19:53Z)
Laplacian-based Semi-Supervised Learning in Multilayer Hypergraphs by Coordinate Descent [4.56754610152086]
Graph Semi-Supervised Learningは重要なデータ分析ツールである。本稿では,非方向性グラフに対する問題の最適化に基づく定式化について考察する。異なる座標勾配法を用いて問題を解き、古典的な勾配勾配法で得られた手法と比較する。
論文参考訳（メタデータ） (2023-01-28T12:59:07Z)
Adversarial Graph Contrastive Learning with Information Regularization [51.14695794459399]
コントラスト学習はグラフ表現学習において有効な方法である。グラフ上のデータ拡張は、はるかに直感的ではなく、高品質のコントラスト的なサンプルを提供するのがずっと難しい。逆グラフ比較学習(Adversarial Graph Contrastive Learning, ARIEL)を提案する。さまざまな実世界のデータセット上でのノード分類タスクにおいて、現在のグラフのコントラスト学習方法よりも一貫して優れています。
論文参考訳（メタデータ） (2022-02-14T05:54:48Z)
Deep Neural Matching Models for Graph Retrieval [0.0]
我々は、グラフマッチングとグラフのコーパスからの類似グラフの検索のためのニューラルネットワークベースのアプローチに焦点を当てる。 2つのグラフ間の類似性をソフトに予測する方法について検討する。
論文参考訳（メタデータ） (2021-10-03T05:34:46Z)
Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文参考訳（メタデータ） (2021-09-01T08:24:02Z)
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)
Stochastic Iterative Graph Matching [11.128153575173213]
本稿では,グラフマッチング問題に対処する新しいモデルであるIterative Graph MAtchingを提案する。我々のモデルはグラフ対のマッチングの分布を定義し、モデルが様々な可能なマッチングを探索できるようにする。我々は、生化学やコンピュータビジョンの応用と同様に、合成グラフデータセットにまたがる広範な実験を行う。
論文参考訳（メタデータ） (2021-06-04T02:05:35Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。