論文の概要: The G-invariant graph Laplacian
- arxiv url: http://arxiv.org/abs/2303.17001v3
- Date: Thu, 1 Jun 2023 07:21:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 23:55:41.375112
- Title: The G-invariant graph Laplacian
- Title(参考訳): G-不変グラフラプラシアン
- Authors: Eitan Rosen, Paulina Hoyos, Xiuyuan Cheng, Joe Kileel and Yoel
Shkolnisky
- Abstract要約: G-不変グラフ Laplacian を導入し、グラフ Laplacian はデータセット上の群の作用を考慮し、グラフ Laplacian を一般化する。
G-不変グラフ Laplacian はデータ多様体上の Laplace-Beltrami 作用素に収束するが、収束速度は大幅に改善される。
- 参考スコア(独自算出の注目度): 8.049701904919516
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Laplacian based algorithms for data lying on a manifold have been
proven effective for tasks such as dimensionality reduction, clustering, and
denoising. In this work, we consider data sets whose data points not only lie
on a manifold, but are also closed under the action of a continuous group. An
example of such a data set is volumes that lie on a low dimensional manifold,
where each volume may be rotated in three-dimensional space. We introduce the
G-invariant graph Laplacian that generalizes the graph Laplacian by accounting
for the action of the group on the data set. We show that like the standard
graph Laplacian, the G-invariant graph Laplacian converges to the
Laplace-Beltrami operator on the data manifold, but with a significantly
improved convergence rate. Furthermore, we show that the eigenfunctions of the
G-invariant graph Laplacian admit the form of tensor products between the group
elements and eigenvectors of certain matrices, which can be computed
efficiently using FFT-type algorithms. We demonstrate our construction and its
advantages on the problem of filtering data on a noisy manifold closed under
the action of the special unitary group SU(2).
- Abstract(参考訳): グラフラプラシアンに基づく多様体上のデータに対するアルゴリズムは、次元減少、クラスタリング、デノナイジングといったタスクに有効であることが証明されている。
本研究では,データポイントが多様体上に存在するだけでなく,連続群の作用の下でも閉集合であるようなデータセットを考える。
そのようなデータセットの例として、低次元多様体上の体積があり、各体積は3次元空間で回転することができる。
G-不変グラフ Laplacian を導入し、グラフ Laplacian はデータセット上の群の作用を考慮し、グラフ Laplacian を一般化する。
標準グラフ Laplacian と同様に、G-不変グラフ Laplacian はデータ多様体上の Laplace-Beltrami 作用素に収束するが、収束速度は大幅に改善される。
さらに、G-不変グラフラプラシアンの固有函数は群要素とある種の行列の固有ベクトルの間のテンソル積の形式を認め、FFT型アルゴリズムを用いて効率的に計算できることを示す。
特殊ユニタリ群 SU(2) の作用の下で閉じたノイジー多様体上のデータをフィルタリングする問題に対する我々の構成とその利点を実証する。
関連論文リスト
- Graph Generation via Spectral Diffusion [51.60814773299899]
本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。
具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。
我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
論文 参考訳(メタデータ) (2024-02-29T09:26:46Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳(メタデータ) (2023-11-29T12:48:33Z) - G-invariant diffusion maps [8.271859911016719]
データに対する群作用を本質的に考慮した拡散写像を導出する。
特に,データポイントのクラスタリングやアライメントに自然に使用できる同変埋め込みと不変埋め込みの両方を構築している。
論文 参考訳(メタデータ) (2023-06-12T18:16:33Z) - Diffusion Maps for Group-Invariant Manifolds [1.90365714903665]
コンパクトリー群$K$の作用の下でデータセットが不変であるときの多様体学習問題を考える。
我々のアプローチは、既存のデータポイントの$K$-orbitsを積分することで、データ誘発グラフのラプラシアンを増大させることである。
正規化されたラプラシアン作用素 $L_N$ がデータ多様体のラプラス・ベルトラミ作用素に収束することを示す。
論文 参考訳(メタデータ) (2023-03-28T17:30:35Z) - Graphon Pooling for Reducing Dimensionality of Signals and Convolutional
Operators on Graphs [131.53471236405628]
グラフ空間における[0, 1]2の分割上のグラフとグラフ信号の誘導的グラフ表現を利用する3つの方法を提案する。
これらの低次元表現がグラフとグラフ信号の収束列を構成することを証明している。
我々は,層間次元減少比が大きい場合,グラノンプーリングは文献で提案した他の手法よりも有意に優れていることを観察した。
論文 参考訳(メタデータ) (2022-12-15T22:11:34Z) - DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。
分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。
また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
論文 参考訳(メタデータ) (2022-09-29T12:55:03Z) - Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。
GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文 参考訳(メタデータ) (2022-05-07T04:11:23Z) - Large sample spectral analysis of graph-based multi-manifold clustering [3.383942690870476]
マルチマニフォールドクラスタリング(MMC)のためのグラフベースアルゴリズムの統計的性質について検討する。
MMC の目標は、与えられたユークリッドデータセットの根底にある多重多様体構造を取得することである。
我々は、角度制約付き環状近接グラフと呼ばれる類似性グラフの族を例に挙げる。
論文 参考訳(メタデータ) (2021-07-28T19:39:12Z) - 3D Shape Registration Using Spectral Graph Embedding and Probabilistic
Matching [24.41451985857662]
本稿では,3次元形状登録の問題に対処し,スペクトルグラフ理論と確率的マッチングに基づく新しい手法を提案する。
この章の主な貢献は、スペクトルグラフマッチング法をラプラシアン埋め込みと組み合わせることで、非常に大きなグラフに拡張することである。
論文 参考訳(メタデータ) (2021-06-21T15:02:31Z) - Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for
Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。
本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
論文 参考訳(メタデータ) (2020-08-03T08:48:41Z) - Manifold Learning via Manifold Deflation [105.7418091051558]
次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。
多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。
本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。
実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
論文 参考訳(メタデータ) (2020-07-07T10:04:28Z)
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。