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

• arxiv url: http://arxiv.org/abs/2311.00656v2
• Date: Wed, 28 Feb 2024 14:58:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-29 18:33:45.184698
• 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: 線形グラフを用いて、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。 オンライン時間変化グラフエッジ信号予測のためのLGLMS(Line Graph Least Mean Square)アルゴリズムを提案する。
• 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: The processing of signals on graph edges is challenging considering that Graph Signal Processing techniques are defined only on the graph nodes. Leveraging the Line Graph to transform a graph edge signal onto the node of its edge-to-vertex dual, we propose the Line Graph Least Mean Square (LGLMS) algorithm for online time-varying graph edge signal prediction. By setting up an $l_2$-norm optimization problem, LGLMS forms an adaptive algorithm as the graph edge analogy of the classical adaptive LMS algorithm. Additionally, the LGLMS inherits all the GSP concepts and techniques that can previously be deployed on the graph nodes, but without the need to redefine them on the graph edges. Experimenting with transportation graphs and meteorological graphs, with the signal observations having noisy and missing values, we confirmed that LGLMS is suitable for the online prediction of time-varying edge signals.
• Abstract（参考訳）: グラフ信号処理技術がグラフノード上でのみ定義されることを考えると,グラフエッジ上の信号処理は困難である。 グラフエッジ信号をエッジ-ツー・バーテックス双対のノードに変換するライングラフを利用して,オンライン時間変動グラフエッジ信号予測のためのライングラフ最小平均正方形 (lglms) アルゴリズムを提案する。 l_2$-norm最適化問題を設定することで、lglmsは古典的な適応lmsアルゴリズムのグラフエッジアナロジーとして適応アルゴリズムを形成する。 加えて、LGLMSは、以前グラフノードにデプロイできたすべてのGSP概念とテクニックを継承するが、グラフエッジでそれらを再定義する必要はない。 移動グラフと気象グラフを実験し,ノイズと欠落値の信号観測を行い,lglmsが時変エッジ信号のオンライン予測に適していることを確認した。

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。

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。