論文の概要: SC-MAD: Mixtures of Higher-order Networks for Data Augmentation
- arxiv url: http://arxiv.org/abs/2309.07453v1
- Date: Thu, 14 Sep 2023 06:25:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-15 15:58:13.692535
- Title: SC-MAD: Mixtures of Higher-order Networks for Data Augmentation
- Title(参考訳): SC-MAD:データ拡張のための高次ネットワークの混合
- Authors: Madeline Navarro, Santiago Segarra
- Abstract要約: 単純複体は、グラフニューラルネットワーク(GNN)の単純複体モデルへの一般化にインスピレーションを与えた。
本稿では, 線形および非線形混合機構による単純錯体のデータ増大について述べる。
理論的には、合成単純錯体は、同型密度に関して、既存のデータ間で相互に相互作用することを示した。
- 参考スコア(独自算出の注目度): 36.33265644447091
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The myriad complex systems with multiway interactions motivate the extension
of graph-based pairwise connections to higher-order relations. In particular,
the simplicial complex has inspired generalizations of graph neural networks
(GNNs) to simplicial complex-based models. Learning on such systems requires
large amounts of data, which can be expensive or impossible to obtain. We
propose data augmentation of simplicial complexes through both linear and
nonlinear mixup mechanisms that return mixtures of existing labeled samples. In
addition to traditional pairwise mixup, we present a convex clustering mixup
approach for a data-driven relationship among several simplicial complexes. We
theoretically demonstrate that the resultant synthetic simplicial complexes
interpolate among existing data with respect to homomorphism densities. Our
method is demonstrated on both synthetic and real-world datasets for simplicial
complex classification.
- Abstract(参考訳): 多方向相互作用を持つ無数の複素系は、グラフベースのペアワイズ接続を高階関係へ拡張する動機付けとなる。
特に、simplicial complexはグラフニューラルネットワーク(GNN)をsimplicial complex-based modelに一般化した。
このようなシステム上での学習には大量のデータが必要であり、費用がかかるか、入手が不可能になる可能性がある。
本稿では,既存のラベル付き試料の混合物を返却する線形および非線形混合機構を用いて,単純錯体のデータ拡張を提案する。
従来のペアワイズ・ミックスアップに加えて、いくつかの単純錯体間のデータ駆動関係に対する凸クラスタリング・ミックスアップ手法を提案する。
理論上, 合成単純複体は準同型密度に関して既存データ間で補間することを示した。
本手法は, 合成データと実世界のデータセットを用いて, 複雑な分類を行う。
関連論文リスト
- Frequency Convergence of Complexon Shift Operators (Extended Version) [41.726311941747404]
本研究では,グラフトンの高次化によるトポロジカル信号処理の転送可能性について検討する。
グラノンシフト作用素の積分作用素形式に着想を得て、境界複素数と複素数シフト作用素を構築する。
simplicial complex sequence が複素数に収束すると、対応する CSO の固有値は極限複素数に収束する。
論文 参考訳(メタデータ) (2023-09-12T08:40:20Z) - Interaction Measures, Partition Lattices and Kernel Tests for High-Order
Interactions [1.9457612782595313]
2つ以上の変数のグループ間の非自明な依存関係は、そのようなシステムの分析とモデリングにおいて重要な役割を果たす。
我々は、結合確率分布の因数分解をますます含む、$d$-order$d geq 2$)相互作用測度の階層を導入する。
また、相互作用測度とそれらの複合置換試験の導出を解明する格子理論と数学的リンクを確立する。
論文 参考訳(メタデータ) (2023-06-01T16:59:37Z) - DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained
Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。
任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。
各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文 参考訳(メタデータ) (2023-01-23T15:18:54Z) - Topological Deep Learning: Going Beyond Graph Data [26.325857542512047]
我々は、広く採用されている位相領域を含むよりリッチなデータ構造の上に構築された統一的な深層学習フレームワークを提案する。
具体的には、新しいタイプのトポロジカルドメインであるコンプレックスを導入する。
我々は、主に注意に基づくCCNNに焦点を当てた、メッセージパッシング複合ニューラルネットワーク(CCNN)のクラスを開発する。
論文 参考訳(メタデータ) (2022-06-01T16:21:28Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳(メタデータ) (2021-10-28T14:59:41Z) - Signal processing on simplicial complexes [19.035399031968502]
我々は、高次ネットワーク構造でサポートされている信号やデータを処理するために、高次関係をどのように利用できるかという、密接に関連しているが明確な第3の視点に焦点をあてる。
特に、時系列や画像など、通常の領域でサポートされているデータの信号処理からのアイデアをグラフや単純な複合体に拡張する方法について調査する。
論文 参考訳(メタデータ) (2021-06-14T14:56:51Z) - Cooperative Policy Learning with Pre-trained Heterogeneous Observation
Representations [51.8796674904734]
事前訓練された異種観察表現を用いた新たな協調学習フレームワークを提案する。
エンコーダ-デコーダに基づくグラフアテンションを用いて、複雑な相互作用と異種表現を学習する。
論文 参考訳(メタデータ) (2020-12-24T04:52:29Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳(メタデータ) (2020-06-29T01:01:42Z) - Revealing the Invisible with Model and Data Shrinking for
Composite-database Micro-expression Recognition [49.463864096615254]
入力複雑性とモデル複雑性を含む学習複雑性の影響を分析する。
より浅層構造と低分解能入力データを探索する再帰畳み込みネットワーク(RCN)を提案する。
学習可能なパラメータを増やさなくてもRCNと統合できる3つのパラメータフリーモジュールを開発した。
論文 参考訳(メタデータ) (2020-06-17T06:19:24Z)
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。