Fugu-MT 論文翻訳(概要): Subgraph-based Tight Frames on Graphs with Compact Supports and Vanishing Moments

論文の概要: Subgraph-based Tight Frames on Graphs with Compact Supports and Vanishing Moments

arxiv url: http://arxiv.org/abs/2309.03537v1
Date: Thu, 7 Sep 2023 07:49:43 GMT
ステータス: 処理完了
システム内更新日: 2023-09-08 13:57:35.164119
Title: Subgraph-based Tight Frames on Graphs with Compact Supports and Vanishing Moments
Title（参考訳）: コンパクトサポートと消滅モーメントを備えたグラフ上のグラフベースタイトフレーム
Authors: Ruigang Zheng and Xiaosheng Zhuang
Abstract要約: 本稿では,コンパクトなサポートを持つグラフ上に,タイトなフレームを構築するための,新しい汎用的手法を提案する。グラフフレームの設計にラプラシアン部分グラフを柔軟に組み込む。実験の結果,提案したグラフフレームは非線形近似タスクにおいて優れていた。
参考スコア（独自算出の注目度）: 2.039632659682125
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we proposed a novel and general method to construct tight frames on graphs with compact supports based on a series of hierarchical partitions. Starting from our abstract construction that generalizes previous methods based on partition trees, we are able to flexibly incorporate subgraph Laplacians into our design of graph frames. Consequently, our general methods permit adjusting the (subgraph) vanishing moments of the framelets and extra properties, such as directionality, for efficiently representing graph signals with path-like supports. Several variants are explicitly defined and tested. Experimental results show our proposed graph frames perform superiorly in non-linear approximation tasks.
Abstract（参考訳）: 本研究では,一連の階層的分割に基づくコンパクトなサポート付きグラフ上でのタイトなフレーム構築手法を提案する。分割木に基づく従来のメソッドを一般化した抽象的な構成から始めて、グラフフレームの設計にsubgraph laplaciansを柔軟に組み込むことができます。これにより,グラフ信号の経路的サポートを効率的に表現するために,フレームレットの消滅モーメントと方向性などの余分な特性を調整できる。いくつかの変種は明示的に定義され、テストされる。提案するグラフフレームは非線形近似タスクにおいて優れた性能を示す。

関連論文リスト

Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
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)
Robust Attributed Graph Alignment via Joint Structure Learning and Optimal Transport [26.58964162799207]
本稿では,構造化学習と最適輸送アライメントを併用した教師なしグラフアライメントフレームワークSLOTAlignを提案する。マルチビュー構造学習を取り入れて、グラフ表現能力を高め、グラフ間で継承された構造と特徴の不整合の影響を低減する。提案したSLOTAlignは、7つの教師なしグラフアライメント法と5つの特殊なKGアライメント法よりも優れた性能と強いロバスト性を示す。
論文参考訳（メタデータ） (2023-01-30T08:41:36Z)
Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文参考訳（メタデータ） (2021-08-03T17:57:53Z)
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)
How Framelets Enhance Graph Neural Networks [27.540282741523253]
本稿では,フレームレット変換に基づくグラフニューラルネットワークの組み立て手法を提案する。本稿では,フレームレット畳み込みのための新しいアクティベーションとして,異なるスケールで高周波情報をしきい値として縮小を提案する。
論文参考訳（メタデータ） (2021-02-13T19:19:19Z)
Promoting Graph Awareness in Linearized Graph-to-Text Generation [72.83863719868364]
局所グラフ構造を符号化する線形化モデルの能力を検討する。本研究は,モデルの暗黙のグラフ符号化の品質を高めるための解法である。これらの消音足場は、低リソース設定における下流生成の大幅な改善につながることが分かりました。
論文参考訳（メタデータ） (2020-12-31T18:17:57Z)
Decimated Framelet System on Graphs and Fast G-Framelet Transforms [3.7277730514654555]
グラフ構造データに対する統計的あるいは機械学習モデルの学習性能には,グラフデータの適切な表現が不可欠である。本稿では,グラフ上に局所化されたタイトフレームを形成するデシメーテッドフレームレットと呼ばれる,グラフデータのための新しい多スケール表現システムを提案する。この効果は、トラフィックネットワークのマルチレゾリューション分析やグラフ分類タスクのグラフニューラルネットワークなど、現実世界のアプリケーションで実証されている。
論文参考訳（メタデータ） (2020-12-12T23:57:17Z)
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)
Homology-Preserving Multi-Scale Graph Skeletonization Using Mapper on Graphs [5.86893539706548]
本稿では、トポロジカルデータ解析の一般的なツールであるmapper構築をグラフ視覚化に適用することを提案する。我々は,グラフのホモロジー保存骨格を生成するモグ (mog) と呼ばれる,重み付けされた非方向グラフを対象とするマッパー構成のバリエーションを開発する。我々は,このような骨格のインタラクティブな探索を可能にするソフトウェアツールを提供し,本手法の合成および実世界のデータに対する有効性を実証する。
論文参考訳（メタデータ） (2018-04-03T19:18:36Z)

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。