論文の概要: Semisupervised regression in latent structure networks on unknown manifolds

• arxiv url: http://arxiv.org/abs/2305.02473v1
• Date: Thu, 4 May 2023 00:41:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 17:37:32.894413
• Title: Semisupervised regression in latent structure networks on unknown manifolds
• Title（参考訳）: 未知多様体上の潜在構造ネットワークにおける半教師付き回帰
• Authors: Aranyak Acharyya, Joshua Agterberg, Michael W. Trosset, Youngser Park, Carey E. Priebe
• Abstract要約: ランダムドット積グラフは、それぞれの潜在位置の内積によって与えられる確率を持つ2つのノードの間にエッジを形成する。 本稿では,サンプル外ノードの応答変数を予測するために,多様体学習およびグラフ埋め込み手法を提案する。
• 参考スコア（独自算出の注目度）: 7.5722195869569
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Random graphs are increasingly becoming objects of interest for modeling networks in a wide range of applications. Latent position random graph models posit that each node is associated with a latent position vector, and that these vectors follow some geometric structure in the latent space. In this paper, we consider random dot product graphs, in which an edge is formed between two nodes with probability given by the inner product of their respective latent positions. We assume that the latent position vectors lie on an unknown one-dimensional curve and are coupled with a response covariate via a regression model. Using the geometry of the underlying latent position vectors, we propose a manifold learning and graph embedding technique to predict the response variable on out-of-sample nodes, and we establish convergence guarantees for these responses. Our theoretical results are supported by simulations and an application to Drosophila brain data.
• Abstract（参考訳）: ランダムグラフは、幅広いアプリケーションにおけるモデリングネットワークの関心の対象になりつつある。 潜位ランダムグラフモデルは、各ノードが潜位ベクトルと関連付けられ、これらのベクトルは潜位空間の幾何構造に従うことを仮定する。 本稿では,各潜在位置の内積によって与えられる確率を持つ2つのノードの間にエッジが形成されるランダムドット積グラフについて考察する。 潜在位置ベクトルは未知の一次元曲線上にあり、回帰モデルを介して応答共変量と結合していると仮定する。 基礎となる潜在位置ベクトルの幾何構造を用いて,各ノードの応答変数を予測するための多様体学習およびグラフ埋め込み手法を提案し,これらの応答に対する収束保証を確立する。 我々の理論的結果はシミュレーションとショウジョウバエ脳データへの応用によって支持されている。

関連論文リスト

• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Reconstructing the Geometry of Random Geometric Graphs [9.004991291124096]
  ランダム幾何学グラフは、距離空間上で定義されたランダムグラフモデルである。 サンプルグラフから基底空間の幾何を効率的に再構成する方法を示す。
  論文  参考訳（メタデータ） (2024-02-14T21:34:44Z)
• Geometric Graph Filters and Neural Networks: Limit Properties and Discriminability Trade-offs [122.06927400759021]
  本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。 これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
  論文  参考訳（メタデータ） (2023-05-29T08:27:17Z)
• Conformal Isometry of Lie Group Representation in Recurrent Network of Grid Cells [52.425628028229156]
  本稿では,リカレントネットワークモデルを用いたグリッドセルの特性について検討する。 グリッドセルの連続的誘引ニューラルネットワークの基盤となる,単純な非線形リカレントモデルに着目する。
  論文  参考訳（メタデータ） (2022-10-06T05:26:49Z)
• An Interpretable Graph Generative Model with Heterophily [38.59200985962146]
  ヘテロフィリーを捉えるのに十分な表現性を持つ最初のエッジ非依存グラフ生成モデルを提案する。 我々の実験は、様々な重要なアプリケーションタスクに対して、我々のモデルの有効性を実証する。
  論文  参考訳（メタデータ） (2021-11-04T17:34:39Z)
• A Probabilistic Graphical Model Approach to the Structure-and-Motion Problem [2.2559617939136505]
  本稿では,コンピュータビジョンにおけるよく知られた構造・動作問題の定式化と解法を提案する。 未知のカメラポーズと3次元特徴座標と観測された2次元投影をガウス確率変数としてモデル化する。 提案手法は,シミュレーションと実世界のデータの両方において有望であることを示す。
  論文  参考訳（メタデータ） (2021-10-07T21:04:38Z)
• Pseudo-Euclidean Attract-Repel Embeddings for Undirected Graphs [73.0261182389643]
  ドット積埋め込みはグラフをとり、2つのベクトル間のドット積がエッジの強さを与えるようなノードのベクトルを構成する。 ノードを擬ユークリッド空間に埋め込むことにより、推移性仮定を除去する。 Pseudo-Euclidean 埋め込みはネットワークを効率よく圧縮でき、近接する隣人の複数の概念をそれぞれ独自の解釈で解釈でき、既存のモデルに'スロットできる。
  論文  参考訳（メタデータ） (2021-06-17T17:23:56Z)
• A Differential Geometry Perspective on Orthogonal Recurrent Models [56.09491978954866]
  我々は微分幾何学からのツールと洞察を用いて、直交rnnの新しい視点を提供する。 直交RNNは、発散自由ベクトル場の空間における最適化と見なすことができる。 この観測に動機づけられて、ベクトル場全体の空間にまたがる新しいリカレントモデルの研究を行う。
  論文  参考訳（メタデータ） (2021-02-18T19:39:22Z)
• Random Geometric Graphs on Euclidean Balls [2.28438857884398]
  ノード $i$ がユークリッド単位球上のランダム潜在点 $X_i$ に関連付けられたランダムグラフに対する潜在空間モデルを考える。 特定のリンク関数に対して、ここで考慮されたモデルは、パワーロー型の分布を持つ尾を持つ次数分布を持つグラフを生成する。
  論文  参考訳（メタデータ） (2020-10-26T17:21:57Z)
• The multilayer random dot product graph [6.722870980553432]
  ランダムドット積グラフ(ランダムドット積グラフ)と呼ばれる潜在位置ネットワークモデルの包括的拡張を提案する。 本稿では,サブマトリクスを適切な潜在空間に埋め込む手法を提案する。 単一グラフ埋め込みによるリンク予測の実証的な改善がサイバーセキュリティの例で示されている。
  論文  参考訳（メタデータ） (2020-07-20T20:31:39Z)
• Understanding Graph Neural Networks with Generalized Geometric Scattering Transforms [67.88675386638043]
  散乱変換は、畳み込みニューラルネットワークのモデルとして機能する多層ウェーブレットベースのディープラーニングアーキテクチャである。 非対称ウェーブレットの非常に一般的なクラスに基づくグラフに対して、窓付きおよび非窓付き幾何散乱変換を導入する。 これらの非対称グラフ散乱変換は、対称グラフ散乱変換と多くの理論的保証を持つことを示す。
  論文  参考訳（メタデータ） (2019-11-14T17:23:06Z)

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。