論文の概要: Labeled Subgraph Entropy Kernel

• arxiv url: http://arxiv.org/abs/2303.13543v1
• Date: Tue, 21 Mar 2023 12:27:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-31 16:26:29.083793
• Title: Labeled Subgraph Entropy Kernel
• Title（参考訳）: ラベル付きサブグラフエントロピーカーネル
• Authors: Chengyu Sun, Xing Ai, Zhihong Zhang, Edwin R Hancock
• Abstract要約: 本稿では,構造的類似性評価に優れたラベル付きサブグラフエントロピーグラフカーネルを提案する。 動的プログラムサブグラフ列挙アルゴリズムを設計し,時間的複雑性を効果的に低減する。 提案手法をテストするために,複数の実世界のデータセットを適用し,異なるタスクの効果を評価する。
• 参考スコア（独自算出の注目度）: 11.812319306576816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, kernel methods are widespread in tasks of similarity measuring. Specifically, graph kernels are widely used in fields of bioinformatics, chemistry and financial data analysis. However, existing methods, especially entropy based graph kernels are subject to large computational complexity and the negligence of node-level information. In this paper, we propose a novel labeled subgraph entropy graph kernel, which performs well in structural similarity assessment. We design a dynamic programming subgraph enumeration algorithm, which effectively reduces the time complexity. Specially, we propose labeled subgraph, which enriches substructure topology with semantic information. Analogizing the cluster expansion process of gas cluster in statistical mechanics, we re-derive the partition function and calculate the global graph entropy to characterize the network. In order to test our method, we apply several real-world datasets and assess the effects in different tasks. To capture more experiment details, we quantitatively and qualitatively analyze the contribution of different topology structures. Experimental results successfully demonstrate the effectiveness of our method which outperforms several state-of-the-art methods.
• Abstract（参考訳）: 近年、カーネルメソッドは類似度測定のタスクで広く使われている。 具体的には、グラフカーネルはバイオインフォマティクス、化学、金融データ分析の分野で広く使われている。 しかし、既存の方法、特にエントロピーに基づくグラフカーネルは、大きな計算複雑性とノードレベルの情報の無視の対象となる。 本稿では,構造的類似性評価に優れたラベル付き部分グラフエントロピーグラフカーネルを提案する。 動的プログラムサブグラフ列挙アルゴリズムを設計し,時間的複雑性を効果的に低減する。 特に,サブ構造トポロジに意味情報を加えたラベル付きサブグラフを提案する。 統計力学におけるガスクラスターのクラスタ展開過程を解析し,分割関数を導出し,グローバルグラフエントロピーを計算してネットワークを特徴づける。 提案手法をテストするために,複数の実世界のデータセットを適用し,異なるタスクの効果を評価する。 実験の詳細を捉えるため、異なるトポロジー構造の寄与を定量的に定性的に分析する。 実験により,最先端手法に勝る手法の有効性が実証された。

関連論文リスト

• Towards Subgraph Isomorphism Counting with Graph Kernels [45.687427850611314]
  部分グラフ同型は#P完全 (#P-complete) と呼ばれ、正確な解を見つけるには指数時間を必要とする。 サブグラフ同型を数えることの可能性について先駆的に検討し、様々な変種を通してカーネル能力の増大を探求する。 本稿では,拡張グラフカーネルの有効性を実証する広範な実験結果について述べるとともに,今後の研究の方向性について述べる。
  論文  参考訳（メタデータ） (2024-05-13T06:33:06Z)
• 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)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• 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)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Learning subtree pattern importance for Weisfeiler-Lehmanbased graph kernels [15.139294083028782]
  WWLカーネルのフレームワークにおけるサブツリーパターンの重み付けを学習する手法を提案する。 本稿では,効率的な学習アルゴリズムを提案するとともに,その収束を示すための一般化ギャップを導出する。
  論文  参考訳（メタデータ） (2021-06-08T23:47:44Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Density of States Graph Kernels [10.200937444995944]
  グラフカーネルはグラフ間の類似性を定量化する確立された技術である。 より一般的な状態密度の枠組みの下でランダムウォークカーネルをリキャストする。 我々は、状態ベースのグラフカーネルのスケーラブルで複合的な密度を構築するために、我々の解釈を利用する。
  論文  参考訳（メタデータ） (2020-10-21T22:44:59Z)
• 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)

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。