論文の概要: Random Projections of Sparse Adjacency Matrices
- arxiv url: http://arxiv.org/abs/2309.01360v1
- Date: Mon, 4 Sep 2023 04:53:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 19:53:29.623141
- Title: Random Projections of Sparse Adjacency Matrices
- Title(参考訳): スパース隣接行列のランダム射影
- Authors: Frank Qiu
- Abstract要約: ランダムなプロジェクションはその基礎となる隣接行列の機能を保ちながら、動的グラフ表現として魅力的になるような余分な特性を持つことが示される。
我々は、我々のランダム射影を、通常のジョンソン・リンデンシュトラウス写像に類似した隣接行列の距離保存写像として特徴づけて結論付ける。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We analyze a random projection method for adjacency matrices, studying its
utility in representing sparse graphs. We show that these random projections
retain the functionality of their underlying adjacency matrices while having
extra properties that make them attractive as dynamic graph representations. In
particular, they can represent graphs of different sizes and vertex sets in the
same space, allowing for the aggregation and manipulation of graphs in a
unified manner. We also provide results on how the size of the projections need
to scale in order to preserve accurate graph operations, showing that the size
of the projections can scale linearly with the number of vertices while
accurately retaining first-order graph information. We conclude by
characterizing our random projection as a distance-preserving map of adjacency
matrices analogous to the usual Johnson-Lindenstrauss map.
- Abstract(参考訳): 隣接行列のランダムな投影法を解析し,スパースグラフの表現におけるその有用性について検討する。
これらのランダムなプロジェクションは、それらの基礎となる隣接行列の機能を保ちながら、動的グラフ表現として魅力的な余分な特性を持つことを示す。
特に、異なる大きさのグラフと同じ空間の頂点集合を表現でき、グラフを統一的に集約し操作することができる。
また、正確なグラフ操作を維持するために、投影のサイズをどのように拡大する必要があるかを示し、投影の大きさが頂点数と線形にスケールできることを示し、一階グラフ情報を正確に保持する。
我々は、我々のランダム射影を、通常のジョンソン-リンデンシュトラウス写像に類似した隣接行列の距離保存写像として特徴づけて結論付ける。
関連論文リスト
- Discrete Graph Auto-Encoder [52.50288418639075]
離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。
まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。
2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
論文 参考訳(メタデータ) (2023-06-13T12:40:39Z) - Creating generalizable downstream graph models with random projections [22.690120515637854]
本稿では,グラフ全体にわたってモデルを一般化するグラフ表現学習手法について検討する。
遷移行列の複数のパワーを推定するためにランダムな射影を用いることで、同型不変な特徴の集合を構築することができることを示す。
結果として得られる特徴は、ノードの局所的近傍に関する十分な情報を回復するために使用することができ、他のアプローチと競合する推論を可能にする。
論文 参考訳(メタデータ) (2023-02-17T14:27:00Z) - 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) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳(メタデータ) (2022-12-01T11:49:07Z) - Graph Embeddings via Tensor Products and Approximately Orthonormal Codes [0.0]
この表現は超次元計算におけるバインド・アンド・サムのアプローチに該当することを示す。
提案手法の動作を特徴付けるいくつかの正確な結果を確立した。
大規模なスパースグラフの動的圧縮表現へのその応用を簡潔に議論する。
論文 参考訳(メタデータ) (2022-08-18T10:56:37Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳(メタデータ) (2022-06-23T20:12:51Z) - Embedding Graphs on Grassmann Manifold [31.42901131602713]
本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。
EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
論文 参考訳(メタデータ) (2022-05-30T12:56:24Z) - 3D Shape Registration Using Spectral Graph Embedding and Probabilistic
Matching [24.41451985857662]
本稿では,3次元形状登録の問題に対処し,スペクトルグラフ理論と確率的マッチングに基づく新しい手法を提案する。
この章の主な貢献は、スペクトルグラフマッチング法をラプラシアン埋め込みと組み合わせることで、非常に大きなグラフに拡張することである。
論文 参考訳(メタデータ) (2021-06-21T15:02:31Z) - Scaling Graph Clustering with Distributed Sketches [1.1011268090482575]
スペクトルクラスタリングにインスパイアされた手法として,ランダムな次元還元プロジェクションから得られた行列スケッチを用いる。
提案手法は,完全に動的なブロックモデルストリームが与えられた場合,性能の高いクラスタリング結果が得られる埋め込みを生成する。
また、ブロックモデルパラメータがその後の埋め込みの必要次元に与える影響についても検討し、ランダムなプロジェクションが分散メモリにおけるグラフクラスタリングの性能を大幅に改善できることを示す。
論文 参考訳(メタデータ) (2020-07-24T17:38:04Z) - 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) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。