Fugu-MT 論文翻訳(概要): Expectation-Complete Graph Representations with Homomorphisms

論文の概要: Expectation-Complete Graph Representations with Homomorphisms

arxiv url: http://arxiv.org/abs/2306.05838v2
Date: Thu, 24 Aug 2023 06:59:44 GMT
ステータス: 処理完了
システム内更新日: 2023-08-25 17:41:45.355295
Title: Expectation-Complete Graph Representations with Homomorphisms
Title（参考訳）: 準同型付き期待完備グラフ表現
Authors: Pascal Welke, Maximilian Thiessen, Fabian Jogl, Thomas G\"artner
Abstract要約: 私たちは、資源の増加とともに任意に表現される効率的な代替手段に興味を持っています。我々のアプローチは、同型数の無限次元ベクトルによるグラフ同型の特徴付けに基づく。
参考スコア（独自算出の注目度）: 5.939858158928473
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We investigate novel random graph embeddings that can be computed in expected polynomial time and that are able to distinguish all non-isomorphic graphs in expectation. Previous graph embeddings have limited expressiveness and either cannot distinguish all graphs or cannot be computed efficiently for every graph. To be able to approximate arbitrary functions on graphs, we are interested in efficient alternatives that become arbitrarily expressive with increasing resources. Our approach is based on Lov\'asz' characterisation of graph isomorphism through an infinite dimensional vector of homomorphism counts. Our empirical evaluation shows competitive results on several benchmark graph learning tasks.
Abstract（参考訳）: 期待多項式時間で計算でき、期待値のすべての非同型グラフを識別できる新しいランダムグラフ埋め込みについて検討する。従来のグラフ埋め込みは表現力に制限があり、全てのグラフを区別できないか、全てのグラフに対して効率的に計算できない。グラフ上の任意の関数を近似できるためには、資源の増加とともに任意に表現される効率的な代替案に興味がある。本手法は無限次元準同型数ベクトルによるグラフ同型のlov\'asz'キャラクタリゼーションに基づいている。実験による評価は,いくつかのベンチマークグラフ学習タスクにおける競合結果を示す。

関連論文リスト

Towards Subgraph Isomorphism Counting with Graph Kernels [45.687427850611314]
部分グラフ同型は#P完全 (#P-complete) と呼ばれ、正確な解を見つけるには指数時間を必要とする。サブグラフ同型を数えることの可能性について先駆的に検討し、様々な変種を通してカーネル能力の増大を探求する。本稿では,拡張グラフカーネルの有効性を実証する広範な実験結果について述べるとともに,今後の研究の方向性について述べる。
論文参考訳（メタデータ） (2024-05-13T06:33:06Z)
MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
論文参考訳（メタデータ） (2024-01-10T07:58:44Z)
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)
PlanE: Representation Learning over Planar Graphs [9.697671872347131]
この研究はホップクロフトとタージャンの古典的な平面グラフ同型アルゴリズムにインスパイアされている。 PlanEには、実用的な拡張性を維持しながら、平面グラフ上の完全な不変性を学習できるアーキテクチャが含まれている。
論文参考訳（メタデータ） (2023-07-03T17:45:01Z)
Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。近年の研究では、グラフ表現学習における事前学習の有用性が示されている。本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文参考訳（メタデータ） (2023-02-06T16:26:29Z)
Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文参考訳（メタデータ） (2022-02-07T08:04:59Z)
Graph Coloring: Comparing Cluster Graphs to Factor Graphs [0.0]
本稿では,確率的グラフィカルモデルを用いたグラフカラー化問題の定式化と解法を提案する。この目的のために因子グラフを使用する一般的な文献とは対照的に、クラスタグラフの観点からアプローチする。
論文参考訳（メタデータ） (2021-10-05T13:57:30Z)
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)
Universal Function Approximation on Graphs [0.0]
グラフ同型クラス上で普遍関数近似器を構築するためのフレームワークを作成する。これにより、4つのよく知られたデータセットで最先端のパフォーマンスを実現することができることを示す。
論文参考訳（メタデータ） (2020-03-14T21:12:33Z)
Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
論文参考訳（メタデータ） (2020-03-10T02:33:14Z)

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。