論文の概要: Synergistic Graph Fusion via Encoder Embedding
- arxiv url: http://arxiv.org/abs/2303.18051v1
- Date: Fri, 31 Mar 2023 13:34:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 13:55:35.359538
- Title: Synergistic Graph Fusion via Encoder Embedding
- Title(参考訳): エンコーダ埋め込みによる相乗グラフ融合
- Authors: Cencheng Shen, Carey E. Priebe, Jonathan Larson, Ha Trinh
- Abstract要約: 本稿では,グラフ融合エンコーダ埋め込みと呼ばれる新しいマルチグラフ埋め込み手法を提案する。
その結果, 組込み効果は驚くべきが, 非常に望ましい「シネルジスティック・エフェクト」を示すことがわかった。
ブロックモデルの下でこの効果を数学的に証明し、必要十分条件をフォリーパーフェクトに分類する。
- 参考スコア(独自算出の注目度): 11.933243315519015
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a novel approach to multi-graph embedding called
graph fusion encoder embedding. The method is designed to work with multiple
graphs that share a common vertex set. Under the supervised learning setting,
we show that the resulting embedding exhibits a surprising yet highly desirable
"synergistic effect": for sufficiently large vertex size, the vertex
classification accuracy always benefits from additional graphs. We provide a
mathematical proof of this effect under the stochastic block model, and
identify the necessary and sufficient condition for asymptotically perfect
classification. The simulations and real data experiments confirm the
superiority of the proposed method, which consistently outperforms recent
benchmark methods in classification.
- Abstract(参考訳): 本稿では,グラフ融合エンコーダ埋め込みと呼ばれるマルチグラフ埋め込みへの新しいアプローチを提案する。
この方法は、共通の頂点集合を共有する複数のグラフを扱うように設計されている。
教師付き学習環境下では、結果として得られる埋め込みは驚くべきが非常に望ましい「シネルジスティック効果」を示し、十分に大きな頂点サイズの場合、頂点分類精度は追加グラフの恩恵を受ける。
確率的ブロックモデルの下でこの効果を数学的に証明し,漸近的完全分類に必要な十分条件を明らかにする。
シミュレーションと実データ実験により提案手法の優位性が確認され,最新のベンチマーク手法よりも常に優れていた。
関連論文リスト
- Sparse Training of Discrete Diffusion Models for Graph Generation [50.691834214298]
グラフの生成モデルは、各ノードペアの相互作用を予測する必要があるため、スケーラビリティ上の問題に遭遇することが多い。
本稿では,SparseDiffについて紹介する。SparseDiffは,グラフ生成のためのデノナイズ拡散モデルである。
実験結果から, SparseDiffは, 小グラフと大グラフの両方において, 生成性能の同時一致を示す。
論文 参考訳(メタデータ) (2023-11-03T16:50:26Z) - M3C: A Framework towards Convergent, Flexible, and Unsupervised Learning
of Mixture Graph Matching and Clustering [57.947071423091415]
本稿では,理論収束を保証する学習自由度アルゴリズムであるM3Cを提案する。
我々は、新しいエッジワイド親和性学習と擬似ラベル選択を組み込んだ教師なしモデルUM3Cを開発した。
提案手法は,最先端のグラフマッチングと混合グラフマッチングとクラスタリングの手法を精度と効率の両面で優れている。
論文 参考訳(メタデータ) (2023-10-27T19:40:34Z) - NESS: Node Embeddings from Static SubGraphs [0.0]
本稿では,グラフオートエンコーダ(GAE)を用いて静的サブグラフ(NESS)からノード埋め込みをトランスダクティブに学習するフレームワークを提案する。
NESSは2つの主要なアイデアに基づいている。 i) トレーニンググラフをデータ前処理中にランダムなエッジ分割を使用して、重複しないエッジを持つ複数の静的でスパースなサブグラフに分割する。
我々はNESSがリンク予測タスクに対して、グラフ全体またはサブグラフのいずれかを使用する現在の自動符号化手法と比較して、より良いノード表現を提供することを示した。
論文 参考訳(メタデータ) (2023-03-15T22:14:28Z) - Graph Encoder Ensemble for Simultaneous Vertex Embedding and Community
Detection [18.818463027707242]
本稿では, 埋め込み, コミュニティ検出, コミュニティサイズ決定のための新しい, 計算効率の良い手法を提案する。
本手法では,正規化された1ホットグラフエンコーダと階数に基づくクラスタサイズ測定を利用する。
広範にシミュレーションを行い,提案したグラフエンコーダアンサンブルアルゴリズムの優れた数値性能を示す。
論文 参考訳(メタデータ) (2023-01-18T14:49:43Z) - Deep Manifold Learning with Graph Mining [80.84145791017968]
グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。
提案モデルでは,現行モデルと比較して最先端性能を実現している。
論文 参考訳(メタデータ) (2022-07-18T04:34:08Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2021-12-15T01:45:32Z) - Graph Encoder Embedding [11.980640637972266]
本稿では,高速なグラフエンコーダ埋め込み方式を提案する。
提案手法は、線形計算複雑性と、標準PC上で数分で数十億のエッジを処理する能力を有する。
スピードアップは埋め込み性能を犠牲にすることなく達成される。
論文 参考訳(メタデータ) (2021-09-27T14:49:44Z) - 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) - Fusion Moves for Graph Matching [35.27002115682325]
グラフマッチングとしても知られる二次代入問題に対する近似アルゴリズムに寄与する。
マルチラベル離散マルコフ確率場のための融合移動法の成功に触発され,グラフマッチングへの適用性を検討した。
本稿では,ラグランジュ二元法と効率的に組み合わせる方法について述べる。
論文 参考訳(メタデータ) (2021-01-28T16:09:46Z) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳(メタデータ) (2020-06-10T14:48:48Z)
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。