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)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Large Graph Signal Denoising with Application to Differential Privacy [2.867517731896504]
  本稿では,データ駆動型ウェーブレット・タイト・フレーム手法を用いて,グラフ上の信号のデノイングを行う場合について考察する。 我々はChebyshev-Jackson近似を用いて、大きなグラフにスケーラブルにする。 実データとシミュレーションデータから,様々な大きさのグラフに対して総合的な性能解析を行う。
  論文  参考訳（メタデータ） (2022-09-05T16:32:54Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
  グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。 本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T05:04:53Z)
• 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)
• Learning Graphs from Smooth Signals under Moment Uncertainty [23.868075779606425]
  与えられたグラフ信号の集合からグラフ構造を推測する問題を検討する。 従来のグラフ学習モデルは、この分布の不確実性を考慮していない。
  論文  参考訳（メタデータ） (2021-05-12T06:47:34Z)
• 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)
• Graph Convolution with Low-rank Learnable Local Filters [32.00396411583352]
  本稿では,学習可能な低ランク局所フィルタを用いた新しいグラフ畳み込み手法を提案する。 従来のスペクトルグラフ畳み込み法よりも明らかに表現力が高い。 入力グラフデータに対する表現は理論的に証明され、グラフフィルタの局所性と局所グラフの正規化を利用する。
  論文  参考訳（メタデータ） (2020-08-04T20:34:59Z)
• 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)

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。