論文の概要: Observe Locally, Classify Globally: Using GNNs to Identify Sparse Matrix Structure

• arxiv url: http://arxiv.org/abs/2309.02442v1
• Date: Wed, 26 Jul 2023 18:10:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 09:04:33.259343
• Title: Observe Locally, Classify Globally: Using GNNs to Identify Sparse Matrix Structure
• Title（参考訳）: 局所的に観察し、グローバルに分類する: gnnを使ってスパースマトリックス構造を識別する
• Authors: Khaled Abdelaal and Richard Veras
• Abstract要約: 異なるスパース行列形式は異なるデータ構造に適している。 第一の課題は、計算の前に行列構造を特定し、それを適切なデータ形式にマッチさせることである。 第二の課題は、分類する前にデータセット全体を読むことを避けることだ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The performance of sparse matrix computation highly depends on the matching of the matrix format with the underlying structure of the data being computed on. Different sparse matrix formats are suitable for different structures of data. Therefore, the first challenge is identifying the matrix structure before the computation to match it with an appropriate data format. The second challenge is to avoid reading the entire dataset before classifying it. This can be done by identifying the matrix structure through samples and their features. Yet, it is possible that global features cannot be determined from a sampling set and must instead be inferred from local features. To address these challenges, we develop a framework that generates sparse matrix structure classifiers using graph convolutional networks. The framework can also be extended to other matrix structures using user-provided generators. The approach achieves 97% classification accuracy on a set of representative sparse matrix shapes.
• Abstract（参考訳）: スパース行列計算の性能は、行列形式と計算されるデータの基盤構造との整合性に大きく依存する。 異なるスパース行列形式は、データの異なる構造に適している。 したがって、第一の課題は、計算の前に行列構造を識別して適切なデータ形式に適合させることである。 2つめの課題は、データセット全体を分類する前に読み込むのを避けることだ。 これは、サンプルとその特徴を通してマトリックス構造を識別することで実現できる。 しかし、グローバルな特徴はサンプリングセットから決定できず、代わりに局所的な特徴から推測する必要がある可能性がある。 これらの課題に対処するために,グラフ畳み込みネットワークを用いたスパース行列構造分類器を生成するフレームワークを開発した。 フレームワークは、ユーザが提供するジェネレータを使用して、他のマトリックス構造に拡張することもできる。 提案手法は,代表的スパース行列形状の97%の分類精度を実現する。

関連論文リスト

• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• DNNLasso: Scalable Graph Learning for Matrix-Variate Data [2.7195102129095003]
  我々は,Kronecker-sum構造精度行列を推定するための,対角非負のグラフィカルラッソモデルを提案する。 DNNLassoは、最先端の手法を精度と計算時間の両方で大きなマージンで上回る。
  論文  参考訳（メタデータ） (2024-03-05T02:49:00Z)
• A network community detection method with integration of data from multiple layers and node attributes [0.0]
  列がノードに対応し、列がデータ項目に対応しているデータマトリックスにおいて、ネットワークデータを単純な方法で表現する方法を提案する。 データ行列を圧縮するためには、非平方行列に対する正規分解法と呼ばれる拡張を提案する。 提案手法を,インターネットの自律システムグラフとワールドエアライングラフの2つの実ネットワークで説明する。
  論文  参考訳（メタデータ） (2023-05-22T13:15:36Z)
• Learning idempotent representation for subspace clustering [7.6275971668447]
  理想的な再構成係数行列は2つの特性を持つべきである: 1) ブロックは各ブロックが部分空間を示す対角線であり、2) 各ブロックは完全連結である。 我々は、正規化メンバシップ行列を近似した再構成係数を求めるために、等等表現(IDR)アルゴリズムを考案する。 合成と実世界の両方のデータセットで実施された実験は、IDRが効率的かつ効率的なサブスペースクラスタリングアルゴリズムであることを証明している。
  論文  参考訳（メタデータ） (2022-07-29T01:39:25Z)
• Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
  本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。 6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-21T01:47:17Z)
• Matrix and graph representations of vine copula structures [0.0]
  Vineコプラは確率分布の大部分を効率的にモデル化することができる。 本稿では,それらの構造をより深く理解することに焦点を当てる。 ワイン構造の完全除去順序が与えられると、常に行列で一意に表現できることが示される。
  論文  参考訳（メタデータ） (2022-05-10T10:05:13Z)
• Adaptive Attribute and Structure Subspace Clustering Network [49.040136530379094]
  自己表現型サブスペースクラスタリングネットワークを提案する。 まず、入力データサンプルを表現する自動エンコーダについて検討する。 そこで我々は, 局所的な幾何学的構造を捉えるために, 混合符号と対称構造行列を構築した。 構築された属性構造と行列に対して自己表現を行い、親和性グラフを学習する。
  論文  参考訳（メタデータ） (2021-09-28T14:00:57Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• AutoLL: Automatic Linear Layout of Graphs based on Deep Neural Network [41.60125423028092]
  本稿では, AutoLL と呼ばれる新しい一モード線形レイアウト手法を提案する。 我々は、指向性および非指向性ネットワークを並べ替えるための2種類のニューラルネットワークモデルであるAutoLL-DとAutoLL-Uを開発した。
  論文  参考訳（メタデータ） (2021-08-05T08:04:15Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)

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。