論文の概要: Exploiting Edge Features in Graphs with Fused Network Gromov-Wasserstein Distance

• arxiv url: http://arxiv.org/abs/2309.16604v1
• Date: Thu, 28 Sep 2023 17:05:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 13:18:30.452640
• Title: Exploiting Edge Features in Graphs with Fused Network Gromov-Wasserstein Distance
• Title（参考訳）: 融合ネットワークGromov-Wasserstein距離を持つグラフにおけるエッジ特徴の爆発
• Authors: Junjie Yang, Matthieu Labeau, Florence d'Alch\'e-Buc
• Abstract要約: ノードとエッジが特徴を持つグラフを比較するために,Gromov-Wasserstein距離の拡張を導入する。 入力空間または出力空間でグラフが発生する学習タスクにおいて、新しい距離の有効性を実証的に示す。
• 参考スコア（独自算出の注目度）: 18.522233517515975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pairwise comparison of graphs is key to many applications in Machine learning ranging from clustering, kernel-based classification/regression and more recently supervised graph prediction. Distances between graphs usually rely on informative representations of these structured objects such as bag of substructures or other graph embeddings. A recently popular solution consists in representing graphs as metric measure spaces, allowing to successfully leverage Optimal Transport, which provides meaningful distances allowing to compare them: the Gromov-Wasserstein distances. However, this family of distances overlooks edge attributes, which are essential for many structured objects. In this work, we introduce an extension of Gromov-Wasserstein distance for comparing graphs whose both nodes and edges have features. We propose novel algorithms for distance and barycenter computation. We empirically show the effectiveness of the novel distance in learning tasks where graphs occur in either input space or output space, such as classification and graph prediction.
• Abstract（参考訳）: グラフのペアワイズ比較は、クラスタリング、カーネルベースの分類/回帰、最近では教師付きグラフ予測など、機械学習における多くのアプリケーションにとって鍵となる。 グラフ間の距離は通常、サブストラクチャーの袋や他のグラフ埋め込みのような構造化オブジェクトの情報表現に依存する。 グラフを計量測度空間として表すことで、最適輸送をうまく利用し、グロモフ=ヴァッサーシュタイン距離(Gromov-Wasserstein distances)を比較できる有意義な距離を提供する。 しかし、この距離の族はエッジ属性を見下ろしており、多くの構造化オブジェクトに必須である。 本研究では,ノードとエッジが特徴を持つグラフを比較するために,Gromov-Wasserstein距離の拡張を導入する。 本稿では,距離計算と重心計算のための新しいアルゴリズムを提案する。 グラフが入力空間または出力空間で発生する学習タスクにおいて、分類やグラフ予測などの新しい距離の有効性を実証的に示す。

関連論文リスト

• Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
  点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。 第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
  論文  参考訳（メタデータ） (2023-02-02T08:33:36Z)
• Stars: Tera-Scale Graph Building for Clustering and Graph Learning [14.265732346610534]
  $textitStars$は、2ホップスパンナーを介して非常にスパースなグラフを構築するための非常にスケーラブルな方法です。 私たちはスターズがほぼ直線時間でグラフを構築することを実証した。
  論文  参考訳（メタデータ） (2022-12-05T22:43:26Z)
• On a linear fused Gromov-Wasserstein distance for graph structured data [2.360534864805446]
  埋め込み間のユークリッド距離として定義される2つのグラフ間の新しい距離である線形FGWを提案する。 提案した距離の利点は2つある: 1) ノードの特徴とグラフの構造を考慮して、カーネルベースのフレームワークにおけるグラフ間の類似性を測定する。
  論文  参考訳（メタデータ） (2022-03-09T13:43:18Z)
• Semi-relaxed Gromov Wasserstein divergence with applications on graphs [10.394615068526505]
  半相対的なGromov-Wasserstein分散は,効率的なグラフ辞書学習アルゴリズムに繋がることを示す。 我々は、パーティショニング、クラスタリング、補完といったグラフ上の複雑なタスクに対するその関連性を実証的に示す。
  論文  参考訳（メタデータ） (2021-10-06T13:38:31Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• Online Graph Dictionary Learning [10.394615068526505]
  本論文では,Gromov Wassersteinの発散をデータフィッティング用語として用いるオンライングラフ辞書学習手法を提案する。 私たちの研究では、グラフはノードの対関係を通じてエンコードされ、グラフ原子の凸結合としてモデル化されます。 私たちのアプローチはラベル付きグラフに自然に拡張され、埋め込み空間におけるGromov Wassersteinの高速近似として使用できる新しい上界によって完了されます。
  論文  参考訳（メタデータ） (2021-02-12T14:39:28Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Grale: Designing Networks for Graph Learning [68.23038997141381]
  我々は,数十億のノードを持つグラフのグラフ設計問題に対処するために,スケーラブルなGraleを提案する。 グレールは、(潜在的に弱い)類似性の異なる測度を融合して、そのノード間の高いタスク固有のホモフィリーを示すグラフを作成する。 Googleでは、数千億のノードを持つデータセットや、数十兆の潜在的なエッジを含む、20以上の異なる産業環境にGraleをデプロイしています。
  論文  参考訳（メタデータ） (2020-07-23T13:25:36Z)
• 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)
• Wasserstein Embedding for Graph Learning [33.90471037116372]
  Wasserstein Embedding for Graph Learning (WEGL)は、グラフ全体をベクトル空間に埋め込むフレームワークである。 グラフ間の類似性をノード埋め込み分布間の類似性の関数として定義する上で,新たな知見を活用する。 各種ベンチマークグラフ固有性予測タスクにおける新しいグラフ埋め込み手法の評価を行った。
  論文  参考訳（メタデータ） (2020-06-16T18:23:00Z)
• 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)

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。