論文の概要: A Graph-Theoretic Framework for Understanding Open-World Semi-Supervised Learning

• arxiv url: http://arxiv.org/abs/2311.03524v1
• Date: Mon, 6 Nov 2023 21:15:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 17:53:26.621351
• Title: A Graph-Theoretic Framework for Understanding Open-World Semi-Supervised Learning
• Title（参考訳）: オープンワールド半教師付き学習理解のためのグラフ理論フレームワーク
• Authors: Yiyou Sun and Zhenmei Shi and Yixuan Li
• Abstract要約: オープンワールド半教師あり学習は、未知のデータに既知のクラスと新しいクラスの両方を推定することを目的としている。 本稿では,オープンワールド設定に適したグラフ理論フレームワークを定式化する。 我々のグラフ理論フレームワークは実用的なアルゴリズムを照らし、保証を提供する。
• 参考スコア（独自算出の注目度）: 33.05104609131764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-world semi-supervised learning aims at inferring both known and novel classes in unlabeled data, by harnessing prior knowledge from a labeled set with known classes. Despite its importance, there is a lack of theoretical foundations for this problem. This paper bridges the gap by formalizing a graph-theoretic framework tailored for the open-world setting, where the clustering can be theoretically characterized by graph factorization. Our graph-theoretic framework illuminates practical algorithms and provides guarantees. In particular, based on our graph formulation, we apply the algorithm called Spectral Open-world Representation Learning (SORL), and show that minimizing our loss is equivalent to performing spectral decomposition on the graph. Such equivalence allows us to derive a provable error bound on the clustering performance for both known and novel classes, and analyze rigorously when labeled data helps. Empirically, SORL can match or outperform several strong baselines on common benchmark datasets, which is appealing for practical usage while enjoying theoretical guarantees.
• Abstract（参考訳）: オープンワールド半教師付き学習は、ラベル付き集合と既知のクラスとの事前知識を活用することにより、ラベル付きデータにおいて既知のクラスと新しいクラスの両方を推論することを目的としている。 その重要性にもかかわらず、この問題には理論的根拠が欠けている。 本稿では,グラフの分解によってクラスタリングが理論的に特徴付けられるオープンワールド設定に適したグラフ理論フレームワークを形式化し,ギャップを埋める。 我々のグラフ理論フレームワークは実用的なアルゴリズムを照らし、保証を提供する。 特に、グラフ定式化に基づいて、SORL(Spectral Open World Representation Learning)と呼ばれるアルゴリズムを適用し、損失を最小限に抑えることは、グラフ上のスペクトル分解と等価であることを示す。 このような等価性により、既知のクラスと新しいクラスのクラスタリング性能に縛られる証明可能なエラーを導出し、ラベル付きデータが役立ったときに厳密に分析することができる。 経験的に、SORLは、理論的な保証を享受しながら、実用的な使用にアピールする一般的なベンチマークデータセットにおいて、いくつかの強力なベースラインをマッチまたは上回ることができる。

関連論文リスト

• On the Generalization Capability of Temporal Graph Learning Algorithms: Theoretical Insights and a Simpler Method [59.52204415829695]
  テンポラルグラフ学習(TGL)は、様々な現実世界のアプリケーションにまたがる一般的なテクニックとなっている。 本稿では,異なるTGLアルゴリズムの一般化能力について検討する。 一般化誤差が小さく、全体的な性能が向上し、モデルの複雑さが低下する単純化されたTGLネットワークを提案する。
  論文  参考訳（メタデータ） (2024-02-26T08:22:22Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:05:33Z)
• Redundancy-Free Self-Supervised Relational Learning for Graph Clustering [13.176413653235311]
  冗長フリーグラフクラスタリング(R$2$FGC)という,自己教師付き深層グラフクラスタリング手法を提案する。 オートエンコーダとグラフオートエンコーダに基づいて,グローバルビューとローカルビューの両方から属性レベルと構造レベルの関係情報を抽出する。 この実験は,R$2$FGCが最先端のベースラインよりも優れていることを示すために,広く使用されているベンチマークデータセット上で実施されている。
  論文  参考訳（メタデータ） (2023-09-09T06:18:50Z)
• Generalized Spectral Clustering for Directed and Undirected Graphs [4.286327408435937]
  本稿では、有向グラフと無向グラフの両方に対処できる一般化スペクトルクラスタリングフレームワークを提案する。 我々のアプローチは、グラフ関数の一般化されたディリクレエネルギーとして導入する新しい函数のスペクトル緩和に基づいている。 また、グラフ上の自然ランダムウォークの反復パワーから構築された正規化尺度の実用的なパラメトリゼーションを提案する。
  論文  参考訳（メタデータ） (2022-03-07T09:18:42Z)
• Learning subtree pattern importance for Weisfeiler-Lehmanbased graph kernels [15.139294083028782]
  WWLカーネルのフレームワークにおけるサブツリーパターンの重み付けを学習する手法を提案する。 本稿では,効率的な学習アルゴリズムを提案するとともに,その収束を示すための一般化ギャップを導出する。
  論文  参考訳（メタデータ） (2021-06-08T23:47:44Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• Higher-Order Spectral Clustering of Directed Graphs [8.997952791113232]
  クラスタリングはアルゴリズムにおいて重要なトピックであり、機械学習、コンピュータビジョン、統計学、その他いくつかの研究分野に多くの応用がある。 本稿では,グラフクラスタリングのためのほぼ線形時間アルゴリズムを提案し,提案アルゴリズムが妥当な仮定の下でサブ線形時間で実装可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-10T13:06:37Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。