Fugu-MT 論文翻訳(概要): Online Signal Estimation on the Graph Edges via Line Graph Transformation

論文の概要: Online Signal Estimation on the Graph Edges via Line Graph Transformation

arxiv url: http://arxiv.org/abs/2311.00656v1
Date: Wed, 1 Nov 2023 17:02:41 GMT
ステータス: 処理完了
システム内更新日: 2023-11-02 12:52:58.476893
Title: Online Signal Estimation on the Graph Edges via Line Graph Transformation
Title（参考訳）: 線グラフ変換によるグラフエッジ上のオンライン信号推定
Authors: Yi Yan, Ercan Engin Kuruoglu
Abstract要約: LGNLMSはグラフエッジ信号をエッジ-頂点双対のノードに変換する。これにより、エッジ信号をグラフエッジに再定義することなく、確立されたGSP概念を用いて処理することができる。
参考スコア（独自算出の注目度）: 4.305891170440042
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose the Line Graph Normalized Least Mean Square (LGNLMS) algorithm for online time-varying graph edge signals prediction. LGNLMS utilizes the Line Graph to transform graph edge signals into the node of its edge-to-vertex dual. This enables edge signals to be processed using established GSP concepts without redefining them on graph edges.
Abstract（参考訳）: オンライン時間変化グラフエッジ信号予測のためのLine Graph Normalized Least Mean Square (LGNLMS)アルゴリズムを提案する。 LGNLMSはLine Graphを使用してグラフエッジ信号をエッジ-頂点双対のノードに変換する。これにより、エッジ信号をグラフエッジに再定義することなく、確立されたGSP概念を用いて処理することができる。

関連論文リスト

Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文参考訳（メタデータ） (2024-11-21T14:19:32Z)
Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
論文参考訳（メタデータ） (2024-10-18T01:34:35Z)
Online Proximal ADMM for Graph Learning from Streaming Smooth Signals [9.34612743192798]
我々は,潜伏グラフ上でスムーズな観測ストリームを用いたオンライングラフ学習のための新しいアルゴリズムを開発した。我々のモダス・オペランは、グラフ信号を逐次処理し、メモリと計算コストを抑えることです。提案手法は,現在最先端のオンライングラフ学習ベースラインと比較して,(準最適性の観点から)追跡性能が向上することを示す。
論文参考訳（メタデータ） (2024-09-19T17:12:03Z)
ADEdgeDrop: Adversarial Edge Dropping for Robust Graph Neural Networks [53.41164429486268]
グラフニューラルネットワーク(GNN)は、近隣ノードからグラフ構造化情報を収集する強力な能力を示した。 GNNの性能は、ノイズや冗長なグラフデータによって引き起こされる一般化の貧弱さと脆弱な堅牢性によって制限される。本稿では,エッジの除去を誘導する対向エッジ予測器を利用する新しい対向エッジドロップ法 (ADEdgeDrop) を提案する。
論文参考訳（メタデータ） (2024-03-14T08:31:39Z)
Graph Normalized-LMP Algorithm for Signal Estimation Under Impulsive Noise [1.1279808969568252]
グラフ信号処理(GSP)のための適応グラフ正規化最小pthパワー(GNLMP)アルゴリズムを提案する。 GNLMPアルゴリズムは、ガウス雑音によって破損したグラフ信号を重み付き特性で再構成する能力を有する。安定状態および時間変化グラフ信号の推定におけるGNLMPアルゴリズムの性能は,GLMPよりも高速で,GLMSやGNLMSと比較して頑健であることを示す。
論文参考訳（メタデータ） (2022-03-01T09:50:43Z)
Pointspectrum: Equivariance Meets Laplacian Filtering for Graph Representation Learning [3.7875603451557063]
グラフ表現学習(GRL)は、現代のグラフデータマイニングおよび学習タスクに欠かせないものとなっている。グラフニューラルネットワーク(GNN)は最先端のGRLアーキテクチャで使用されているが、過度なスムース化に悩まされていることが示されている。本稿では,グラフの構造を考慮に入れたスペクトル法であるPointSpectrumを提案する。
論文参考訳（メタデータ） (2021-09-06T10:59:11Z)
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)
Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
論文参考訳（メタデータ） (2021-06-05T13:20:36Z)
Offline detection of change-points in the mean for stationary graph signals [55.98760097296213]
グラフ信号定常性の概念に依存するオフライン手法を提案する。我々の検出器は、漸近的でない不等式オラクルの証拠を伴っている。
論文参考訳（メタデータ） (2020-06-18T15:51:38Z)
Graphon Pooling in Graph Neural Networks [169.09536309161314]
グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
論文参考訳（メタデータ） (2020-03-03T21:04:20Z)

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。