Fugu-MT 論文翻訳(概要): Computing Expected Motif Counts for Exchangeable Graph Generative Models

論文の概要: Computing Expected Motif Counts for Exchangeable Graph Generative Models

arxiv url: http://arxiv.org/abs/2305.01089v1
Date: Mon, 1 May 2023 21:03:53 GMT
ステータス: 処理完了
システム内更新日: 2023-05-03 16:11:53.910515
Title: Computing Expected Motif Counts for Exchangeable Graph Generative Models
Title（参考訳）: 交換可能なグラフ生成モデルに対する期待モチーフ数計算
Authors: Oliver Schulte
Abstract要約: このノートは、広く使われているグラフ統計のタイプである期待モチーフ数に対するスケーラブルな推定手順を示す。この手法は、グラフデータに対するニューラルおよびベイズ的アプローチで使用されるタイプの生成混合モデルに適用される。
参考スコア（独自算出の注目度）: 15.884115251561807
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Estimating the expected value of a graph statistic is an important inference task for using and learning graph models. This note presents a scalable estimation procedure for expected motif counts, a widely used type of graph statistic. The procedure applies for generative mixture models of the type used in neural and Bayesian approaches to graph data.
Abstract（参考訳）: グラフ統計の期待値の推定は、グラフモデルの使用と学習にとって重要な推論タスクである。本稿では,グラフ統計の多用型である予測モチーフ数に対するスケーラブルな推定手法を提案する。この手法は、グラフデータに対するニューラルおよびベイズ的アプローチで使用されるタイプの生成混合モデルに適用される。

関連論文リスト

A Probabilistic Model for Node Classification in Directed Graphs [0.0]
ノードが属性とラベルを持つ有向グラフに対する確率モデルを提案する。このモデルは、最大確率または最大アフター推定を用いて、目に見えないノードのラベルを予測することができる生成分類器として機能する。我々はこのモデルを2つのデータセットに適用し、最先端の手法と競合し、さらに優れている予測性能を実証した。
論文参考訳（メタデータ） (2025-01-03T04:33:25Z)
Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。本手法は, 推定手法よりも有効であることを示す。
論文参考訳（メタデータ） (2024-08-26T08:39:09Z)
Goodness-of-Fit of Attributed Probabilistic Graph Generative Models [11.58149447373971]
ランダム二元ネットワークに対する平均二乗共起係数の観点で適合の良さを定義する。各種グラフモデルに対する確率的生成モデルの表現能力を検証するために,これらの基準を適用した。
論文参考訳（メタデータ） (2023-07-28T18:48:09Z)
Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
論文参考訳（メタデータ） (2023-07-06T15:19:53Z)
Creating generalizable downstream graph models with random projections [22.690120515637854]
本稿では,グラフ全体にわたってモデルを一般化するグラフ表現学習手法について検討する。遷移行列の複数のパワーを推定するためにランダムな射影を用いることで、同型不変な特徴の集合を構築することができることを示す。結果として得られる特徴は、ノードの局所的近傍に関する十分な情報を回復するために使用することができ、他のアプローチと競合する推論を可能にする。
論文参考訳（メタデータ） (2023-02-17T14:27:00Z)
Curvature Filtrations for Graph Generative Model Evaluation [11.55292147747249]
グラフ生成モデルの評価には、分布レベルでのグラフ間の差異を理解する必要がある。曲線はグラフの特徴付けにおいてその有用性を最近証明した性質の1つである。グラフ生成モデルを評価するために,グラフ曲率記述子とトポロジカルデータ解析からの新たな手法を組み合わせることで,堅牢で表現力豊かな記述子を得る。
論文参考訳（メタデータ） (2023-01-30T14:10:30Z)
Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文参考訳（メタデータ） (2022-06-23T20:12:51Z)
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)
Non-Parametric Graph Learning for Bayesian Graph Neural Networks [35.88239188555398]
グラフ隣接行列の後方分布を構築するための新しい非パラメトリックグラフモデルを提案する。このモデルの利点を,ノード分類,リンク予測,レコメンデーションという3つの異なる問題設定で示す。
論文参考訳（メタデータ） (2020-06-23T21:10:55Z)
Permutation Invariant Graph Generation via Score-Based Generative Modeling [114.12935776726606]
本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
論文参考訳（メタデータ） (2020-03-02T03:06:14Z)
Data-Driven Factor Graphs for Deep Symbol Detection [107.63351413549992]
本稿では,因子グラフ法をデータ駆動方式で実装することを提案する。特に,機械学習(ML)ツールを用いて因子グラフの学習を提案する。我々は,BCJRNetと呼ばれる提案システムにおいて,BCJRアルゴリズムを小さなトレーニングセットから実装することを実証した。
論文参考訳（メタデータ） (2020-01-31T09:23:52Z)

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。