論文の概要: Graph Laplacian Learning with Exponential Family Noise
- arxiv url: http://arxiv.org/abs/2306.08201v1
- Date: Wed, 14 Jun 2023 02:09:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 20:47:09.360019
- Title: Graph Laplacian Learning with Exponential Family Noise
- Title(参考訳): 指数型家族雑音を用いたグラフラプラシアン学習
- Authors: Changhao Shi, Gal Mishne
- Abstract要約: グラフ機械学習手法を適用する際の一般的な課題は、システムの基盤となるグラフがしばしば未知であることである。
本研究では,スムーズなグラフ信号から指数関数的家族雑音分布へのグラフ学習のためのグラフ信号処理フレームワークを一般化し,様々なデータ型をモデル化する。
合成および実世界のデータにおいて、新しいアルゴリズムはノイズモデルミスマッチの下で競合するラプラシアン推定法より優れていることを示す。
- 参考スコア(独自算出の注目度): 10.178220223515956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A common challenge in applying graph machine learning methods is that the
underlying graph of a system is often unknown. Although different graph
inference methods have been proposed for continuous graph signals, inferring
the graph structure underlying other types of data, such as discrete counts, is
under-explored. In this paper, we generalize a graph signal processing (GSP)
framework for learning a graph from smooth graph signals to the exponential
family noise distribution to model various data types. We propose an
alternating algorithm that estimates the graph Laplacian as well as the
unobserved smooth representation from the noisy signals. We demonstrate in
synthetic and real-world data that our new algorithm outperforms competing
Laplacian estimation methods under noise model mismatch.
- Abstract(参考訳): グラフ機械学習手法を適用する際の一般的な課題は、システムの基盤となるグラフがしばしば未知であることである。
連続グラフ信号に対して異なるグラフ推定法が提案されているが、離散数などの他の種類のデータに基づくグラフ構造を推定するには未定である。
本稿では,スムーズなグラフ信号から指数関数的な家族雑音分布へグラフを学習するグラフ信号処理(GSP)フレームワークを一般化し,様々なデータタイプをモデル化する。
本稿では,グラフラプラシアンと雑音信号からの非可観測滑らかな表現を推定する交互アルゴリズムを提案する。
我々は合成データと実世界データを用いて,新しいアルゴリズムがノイズモデルミスマッチ下でのラプラシアン推定法を上回っていることを示す。
関連論文リスト
- Joint Signal Recovery and Graph Learning from Incomplete Time-Series [24.308357458676937]
本研究では,不完全な時系列観測からグラフを学習することを目的とする。
逐次上向き最小化をブロックする手法に基づくアルゴリズムを提案する。
合成時系列と実時間時系列のシミュレーション結果から,提案手法の性能を実証した。
論文 参考訳(メタデータ) (2023-12-28T10:27:04Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
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。
論文 参考訳(メタデータ) (2023-05-31T11:04:53Z) - 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) - Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph
Convolutional Neural Networks [0.6236890292833384]
本稿では,近隣ランダムウォークサンプリング(BGCN-NRWS)を用いたベイジアングラフ畳み込みネットワーク(Bayesian Graph Convolutional Network)を提案する。
BGCN-NRWSは、グラフ構造を利用したマルコフ・チェイン・モンテカルロ(MCMC)に基づくグラフサンプリングアルゴリズムを使用し、変分推論層を用いてオーバーフィッティングを低減し、半教師付きノード分類における最先端と比較して一貫して競合する分類結果を得る。
論文 参考訳(メタデータ) (2021-12-14T20:58:27Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳(メタデータ) (2021-05-22T07:05:48Z) - FiGLearn: Filter and Graph Learning using Optimal Transport [49.428169585114496]
信号観測からグラフとその生成フィルタを学習するための新しいグラフ信号処理フレームワークを提案する。
ごくわずかな情報しか得られない場合、このフレームワークが欠落した値を推測するのにどのように使えるかを示す。
論文 参考訳(メタデータ) (2020-10-29T10:00:42Z) - Kernel-based Graph Learning from Smooth Signals: A Functional Viewpoint [15.577175610442351]
ノード側および観測側情報を組み込んだ新しいグラフ学習フレームワークを提案する。
我々は、Kronecker製品カーネルに付随する再生カーネルヒルベルト空間の関数としてグラフ信号を使用する。
我々は、Kronecker製品カーネルと組み合わせることで、グラフによって説明される依存性とグラフ信号による依存性の両方を捕捉できる新しいグラフベースの正規化手法を開発した。
論文 参考訳(メタデータ) (2020-08-23T16:04:23Z) - Graph topology inference benchmarks for machine learning [16.857405938139525]
本稿では,グラフ推論手法の相対的メリットと限界を明らかにするために,いくつかのベンチマークを導入する。
我々はまた、文学において最も顕著な技法のいくつかを対比している。
論文 参考訳(メタデータ) (2020-07-16T09:40:32Z) - 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) - 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) - Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。
提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文 参考訳(メタデータ) (2020-03-12T22:31:59Z)
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。