論文の概要: Bures-Wasserstein Means of Graphs
- arxiv url: http://arxiv.org/abs/2305.19738v2
- Date: Fri, 1 Mar 2024 17:45:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 20:51:34.675871
- Title: Bures-Wasserstein Means of Graphs
- Title(参考訳): Bures-Wasserstein グラフの意味
- Authors: Isabel Haasler, Pascal Frossard
- Abstract要約: 本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
- 参考スコア(独自算出の注目度): 60.42414991820453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finding the mean of sampled data is a fundamental task in machine learning
and statistics. However, in cases where the data samples are graph objects,
defining a mean is an inherently difficult task. We propose a novel framework
for defining a graph mean via embeddings in the space of smooth graph signal
distributions, where graph similarity can be measured using the Wasserstein
metric. By finding a mean in this embedding space, we can recover a mean graph
that preserves structural information. We establish the existence and
uniqueness of the novel graph mean, and provide an iterative algorithm for
computing it. To highlight the potential of our framework as a valuable tool
for practical applications in machine learning, it is evaluated on various
tasks, including k-means clustering of structured aligned graphs,
classification of functional brain networks, and semi-supervised node
classification in multi-layer graphs. Our experimental results demonstrate that
our approach achieves consistent performance, outperforms existing baseline
approaches, and improves the performance of state-of-the-art methods.
- Abstract(参考訳): サンプルデータの平均を見つけることは、機械学習と統計学における基本的な課題である。
しかし、データサンプルがグラフオブジェクトである場合、平均を定義することは本質的に難しいタスクである。
本研究では,滑らかなグラフ信号分布の空間への埋め込みにより,グラフ平均を定義するための新しい枠組みを提案する。
この埋め込み空間に平均を見つけることで、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
機械学習における実用的な応用ツールとしてのフレームワークの可能性を強調するため,構造化アライメントグラフのk平均クラスタリング,機能的脳ネットワークの分類,多層グラフにおける半教師付きノード分類など,様々なタスクで評価した。
実験結果から,本手法は一貫した性能を実現し,既存のベースライン手法より優れ,最先端手法の性能向上を図っている。
関連論文リスト
- The Graph Lottery Ticket Hypothesis: Finding Sparse, Informative Graph
Structure [18.00833762891405]
Graph Lottery Ticket (GLT)仮説: グラフごとに非常に疎いバックボーンが存在する。
本研究は,グラフ学習アルゴリズムの性能に直接影響を及ぼす関心の指標を8つ研究する。
任意のグラフでこれらのGLTを見つけるための単純で効率的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-08T00:24:44Z) - A Multi-scale Graph Signature for Persistence Diagrams based on Return
Probabilities of Random Walks [1.745838188269503]
トポロジ的特徴のロバスト性を高めるために,マルチスケールグラフシグネチャ群の利用について検討する。
このセット入力を処理するためのディープラーニングアーキテクチャを提案する。
ベンチマークグラフ分類データセットの実験により,提案したアーキテクチャは,他の永続的ホモロジーに基づく手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-09-28T17:30:27Z) - A Comprehensive Analytical Survey on Unsupervised and Semi-Supervised
Graph Representation Learning Methods [4.486285347896372]
本調査は,グラフ埋め込み手法のすべての主要なクラスを評価することを目的としている。
我々は,手動の特徴工学,行列分解,浅部ニューラルネットワーク,深部グラフ畳み込みネットワークなどの手法を含む分類学を用いてグラフ埋め込み手法を編成した。
我々はPyTorch GeometricおよびDGLライブラリ上で実験を設計し、異なるマルチコアCPUおよびGPUプラットフォーム上で実験を行った。
論文 参考訳(メタデータ) (2021-12-20T07:50:26Z) - 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) - 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) - Self-supervised Graph-level Representation Learning with Local and
Global Structure [71.45196938842608]
自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。
GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。
モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
論文 参考訳(メタデータ) (2021-06-08T05:25:38Z) - Structure-Aware Hierarchical Graph Pooling using Information Bottleneck [2.7088996845250897]
グラフプーリングは、グラフ分類および回帰タスクにおけるグラフニューラルネットワーク(GNN)の重要な要素です。
本稿では,情報ボトルネック(IB)の原理を応用した,HIBPoolという新しいプール手法を提案する。
また,グラフの局所部分グラフ構造をキャプチャするために,新しい構造認識型識別プーリング読み出し(dip-readout)関数を導入する。
論文 参考訳(メタデータ) (2021-04-27T07:27:43Z) - GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。
学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。
GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文 参考訳(メタデータ) (2020-07-07T16:51:39Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳(メタデータ) (2020-06-19T13:09:44Z) - Goal-directed graph construction using reinforcement learning [3.291429094499946]
我々は、中央エージェントが試行錯誤によってトポロジを生成する決定過程としてグラフの構築を定式化する。
グラフ構築と改善戦略を学習するための強化学習とグラフニューラルネットワークに基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-30T12:11:45Z)
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。