論文の概要: Hierarchical Multiresolution Feature- and Prior-based Graphs for
Classification
- arxiv url: http://arxiv.org/abs/2306.02143v1
- Date: Sat, 3 Jun 2023 15:58:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 19:55:11.989599
- Title: Hierarchical Multiresolution Feature- and Prior-based Graphs for
Classification
- Title(参考訳): 階層型マルチレゾリューション特徴量とプリエントベースグラフによる分類
- Authors: Faezeh Fallah
- Abstract要約: 多分解能近傍グラフの3つの変種と階層的条件付きランダムフィールドのグラフの分類問題を定式化した。
これらのグラフはそれぞれ重み付けされ、無向的であり、したがって空間的あるいは階層的な関係をあらゆる方向に組み込むことができた。
空間特徴に基づく部分グラフのエッジ重みを導出する新しいメカニズムを用いてランダムなウォーカーグラフ上に拡張した。
- 参考スコア(独自算出の注目度): 3.1219977244201056
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: To incorporate spatial (neighborhood) and bidirectional hierarchical
relationships as well as features and priors of the samples into their
classification, we formulated the classification problem on three variants of
multiresolution neighborhood graphs and the graph of a hierarchical conditional
random field. Each of these graphs was weighted and undirected and could thus
incorporate the spatial or hierarchical relationships in all directions. In
addition, each variant of the proposed neighborhood graphs was composed of a
spatial feature-based subgraph and an aspatial prior-based subgraph. It
expanded on a random walker graph by using novel mechanisms to derive the edge
weights of its spatial feature-based subgraph. These mechanisms included
implicit and explicit edge detection to enhance detection of weak boundaries
between different classes in spatial domain. The implicit edge detection relied
on the outlier detection capability of the Tukey's function and the
classification reliabilities of the samples estimated by a hierarchical random
forest classifier. Similar mechanism was used to derive the edge weights and
thus the energy function of the hierarchical conditional random field. This
way, the classification problem boiled down to a system of linear equations and
a minimization of the energy function which could be done via fast and
efficient techniques.
- Abstract(参考訳): 空間的(近距離)と双方向の階層的関係とサンプルの特徴と先行をそれらの分類に組み込むため,多分解能近傍グラフの3つの変種と階層的条件付き確率場のグラフの分類問題を定式化した。
これらのグラフはそれぞれ重み付けされ、無向であり、従って空間的あるいは階層的関係をあらゆる方向に組み込むことができた。
さらに,提案した近傍グラフの各変種は,空間的特徴に基づく部分グラフと空間的事前グラフからなる。
空間特徴に基づく部分グラフのエッジ重みを導出する新しいメカニズムを用いてランダムなウォーカーグラフ上に拡張した。
これらのメカニズムには暗黙的および明示的なエッジ検出が含まれ、空間領域内の異なるクラス間の弱い境界の検出を強化する。
暗黙的エッジ検出は,タキー関数の異常検出能力と階層的ランダムフォレスト分類器によって推定されたサンプルの分類信頼性に依存した。
類似のメカニズムは、エッジの重みと階層的な条件付き確率場のエネルギー関数を導出するために用いられた。
このようにして、分類問題は線形方程式の系と、高速で効率的な手法で行うことができるエネルギー関数の最小化に沸騰した。
関連論文リスト
- Multiscale Graph Construction Using Non-local Cluster Features [10.922757310575307]
グラフのマルチスケールクラスタリングにおいて,グラフとノードの機能を同時に検討する。
マルチスケール画像と点雲セグメンテーションの実験において,提案手法の有効性を実証した。
論文 参考訳(メタデータ) (2024-11-13T06:42:03Z) - An Ad-hoc graph node vector embedding algorithm for general knowledge graphs using Kinetica-Graph [0.0]
本稿では,知識グラフ表現から一般的なグラフノードの埋め込みを生成する方法について論じる。
埋め込み空間は、局所親和性とリモート構造関連性の両方を模倣するいくつかのサブ機能から構成される。
論文 参考訳(メタデータ) (2024-07-22T14:43:10Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-01-17T13:04:23Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳(メタデータ) (2023-11-29T12:48:33Z) - Semi-Supervised Clustering of Sparse Graphs: Crossing the
Information-Theoretic Threshold [3.6052935394000234]
ブロックモデルは、ネットワーク構造データのクラスタリングとコミュニティ検出のための標準ランダムグラフモデルである。
ネットワークトポロジに基づく推定器は、モデルパラメータが一定の閾値以下である場合、スパースグラフの確率よりも大幅に向上する。
パラメータ領域全体でラベルの任意の部分で実現可能であることを示す。
論文 参考訳(メタデータ) (2022-05-24T00:03:25Z) - Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。
GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文 参考訳(メタデータ) (2022-05-07T04:11:23Z) - Spectral-Spatial Global Graph Reasoning for Hyperspectral Image
Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。
近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文 参考訳(メタデータ) (2021-06-26T06:24:51Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳(メタデータ) (2021-03-25T09:31:41Z) - Enhancing Hierarchical Information by Using Metric Cones for Graph
Embedding [3.700709497727248]
Poincar'e埋め込みはグラフの階層構造を捉えるために提案されている。
既存の手法の多くは埋め込み空間に等尺写像を持つ。
このような問題を解決するために,計量円錐にグラフ埋め込みを提案する。
論文 参考訳(メタデータ) (2021-02-16T08:23:59Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳(メタデータ) (2020-08-31T08:41:20Z)
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。