論文の概要: Synergistic Graph Fusion via Encoder Embedding

• arxiv url: http://arxiv.org/abs/2303.18051v3
• Date: Wed, 5 Jun 2024 09:26:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 14:46:07.953217
• 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的グラフ融合
• Authors: Cencheng Shen, Carey E. Priebe, Jonathan Larson, Ha Trinh,
• Abstract要約: 共有集合を用いたマルチグラフ埋め込みのためのグラフ融合埋め込み法を提案する。 教師あり学習の枠組みの下では,本手法は顕著で,非常に望ましい相乗効果を示す。 我々の総合シミュレーションと実データ実験は,提案手法の有効性を裏付ける説得力のある証拠を提供する。
• 参考スコア（独自算出の注目度）: 16.20934021488478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce a method called graph fusion embedding, designed for multi-graph embedding with shared vertex sets. Under the framework of supervised learning, our method exhibits a remarkable and highly desirable synergistic effect: for sufficiently large vertex size, the accuracy of vertex classification consistently benefits from the incorporation of additional graphs. We establish the mathematical foundation for the method, including the asymptotic convergence of the embedding, a sufficient condition for asymptotic optimal classification, and the proof of the synergistic effect for vertex classification. Our comprehensive simulations and real data experiments provide compelling evidence supporting the effectiveness of our proposed method, showcasing the pronounced synergistic effect for multiple graphs from disparate sources.
• Abstract（参考訳）: 本稿では,共有頂点集合を用いたマルチグラフ埋め込みのためのグラフ融合埋め込み法を提案する。 教師付き学習の枠組みの下では, 十分に大きな頂点サイズに対して, 頂点分類の精度は, 追加グラフの導入によって一貫した恩恵を受けるという, 顕著かつ極めて望ましい相乗効果を示す。 本手法の数学的基礎は, 組込みの漸近収束, 漸近最適分類のための十分な条件, 頂点分類に対する相乗効果の証明を含む。 我々の総合シミュレーションと実データ実験は、異なる情報源からの複数のグラフに対する顕著な相乗効果を示すとともに、提案手法の有効性を裏付ける説得力のある証拠を提供する。

関連論文リスト

• Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
  グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。 データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。 AGL-SC(Amplify Graph Learning framework)を提案する。
  論文  参考訳（メタデータ） (2024-06-27T08:26:20Z)
• Randomized Schur Complement Views for Graph Contrastive Learning [0.0]
  グラフコントラスト学習(GCL)のためのSchur補数に基づくランダム化トポロジカル拡張器を提案する。 グラフラプラシア行列が与えられたとき、この手法はシュア補数の不偏近似を生成し、対応するグラフを拡張ビューとして扱う。
  論文  参考訳（メタデータ） (2023-06-06T20:35:20Z)
• 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)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• 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)
• Convergent Boosted Smoothing for Modeling Graph Data with Tabular Node Features [46.052312251801]
  本稿では,グラフ伝播ステップでブースティングを反復するフレームワークを提案する。 我々のアプローチは、原則化されたメタロス関数に固定されている。 様々な非イドグラフデータセットに対して,本手法は同等あるいは優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-10-26T04:53:12Z)
• 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)
• Multilayer Graph Clustering with Optimized Node Embedding [70.1053472751897]
  多層グラフクラスタリングは、グラフノードをカテゴリまたはコミュニティに分割することを目指しています。 与えられた多層グラフの層をクラスタリングに親しみやすい埋め込みを提案する。 実験の結果,本手法は著しい改善をもたらすことがわかった。
  論文  参考訳（メタデータ） (2021-03-30T17:36:40Z)
• 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)
• 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)

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。