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
- Compressive Recovery of Signals Defined on Perturbed Graphs [4.021249101488848]
本稿では, 圧縮測定から同時に信号を復元し, グラフ摂動を補正するアルゴリズムを提案する。
また、圧縮画像再構成への応用として、グラフ摂動を所望のグラフエッジとしてモデル化し、画素を大きな強度差でリンクする。
論文 参考訳(メタデータ) (2024-02-12T13:20:52Z) - An FPGA-Based Accelerator for Graph Embedding using Sequential Training
Algorithm [0.9444784653236158]
オンラインシーケンシャルトレーニングアルゴリズムと node2vec を組み合わせることを提案する。
提案するシーケンシャルモデルは,リソース限定FPGA上で実装される。
CPUのオリジナルのモデルと比べて最大205.25倍のスピードアップを実現している。
論文 参考訳(メタデータ) (2023-12-23T02:24:59Z) - Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。
このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。
我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2021-11-20T22:45:53Z) - 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) - Graph Autoencoders with Deconvolutional Networks [32.78113728062279]
Graph Deconvolutional Networks (GDN)は、スムーズなノード表現からグラフ信号を再構成する。
スペクトル領域の逆フィルタとウェーブレット領域のノイズ除去層の組み合わせにより、グラフデコンボリューションネットワークの設計を動機付けます。
提案したGDNに基づいて, GCNでスムースグラフ表現をエンコードし, GDNで正確なグラフ信号をデコードするグラフオートエンコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2020-12-22T09:49:39Z) - 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) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳(メタデータ) (2020-10-09T07:35:26Z) - Graph Convolutional Networks using Heat Kernel for Semi-supervised
Learning [47.18608594687675]
グラフベースの半教師付き学習の鍵となるのは、グラフ構造によってノード上のラベルや機能の滑らかさをキャプチャすることだ。
本稿では,低周波フィルタの高速化とグラフ上の信号変動のスムーズ性向上に熱カーネルを活用するGraphHeatを提案する。
GraphHeatは、3つのベンチマークデータセットにわたるグラフベースの半教師付き分類タスクにおいて、最先端の結果を達成する。
論文 参考訳(メタデータ) (2020-07-27T11:53:52Z) - 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) - 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。