論文の概要: Graph GOSPA metric: a metric to measure the discrepancy between graphs of different sizes

• arxiv url: http://arxiv.org/abs/2311.07596v2
• Date: Tue, 27 Aug 2024 15:34:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-28 20:08:36.300127
• Title: Graph GOSPA metric: a metric to measure the discrepancy between graphs of different sizes
• Title（参考訳）: グラフGOSPA測度:異なる大きさのグラフ間の差を測定するための測度
• Authors: Jinhao Gu, Ángel F. García-Fernández, Robert E. Firth, Lennart Svensson,
• Abstract要約: 本稿では,ノード数が異なる可能性のあるグラフ間の相似性を測定する指標を提案する。 提案したグラフGOSPAメトリクスは、適切に割り当てられたノード、ミスノード、偽ノード、グラフ間のエッジミスマッチに対するノード属性エラーに関連するコストを含む。
• 参考スコア（独自算出の注目度）: 3.8823562292981393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a metric to measure the dissimilarity between graphs that may have a different number of nodes. The proposed metric extends the generalised optimal subpattern assignment (GOSPA) metric, which is a metric for sets, to graphs. The proposed graph GOSPA metric includes costs associated with node attribute errors for properly assigned nodes, missed and false nodes and edge mismatches between graphs. The computation of this metric is based on finding the optimal assignments between nodes in the two graphs, with the possibility of leaving some of the nodes unassigned. We also propose a lower bound for the metric, which is also a metric for graphs and is computable in polynomial time using linear programming. The metric is first derived for undirected unweighted graphs and it is then extended to directed and weighted graphs. The properties of the metric are demonstrated via simulated and empirical datasets.
• Abstract（参考訳）: 本稿では,ノード数が異なる可能性のあるグラフ間の相似性を測定する指標を提案する。 提案した計量は、集合の計量である一般化最適部分パターン割り当て(GOSPA)をグラフに拡張する。 提案したグラフGOSPAメトリクスは、適切に割り当てられたノード、ミスノード、偽ノード、グラフ間のエッジミスマッチに対するノード属性エラーに関連するコストを含む。 この計量の計算は、2つのグラフのノード間の最適な割り当てを見つけることに基づいており、ノードのいくつかは割り当てられていない可能性がある。 また、グラフの計量であり、線形計画法を用いて多項式時間で計算可能な計量に対する下界も提案する。 この計量は、まず無向非重み付きグラフに対して導出され、それから有向グラフと重み付きグラフに拡張される。 計量の性質は、シミュレートされた経験的なデータセットを通して示される。

関連論文リスト

• Geodesic Distance Between Graphs: A Spectral Metric for Assessing the Stability of Graph Neural Networks [4.110108749051657]
  グラフニューラルネットワーク(GNN)の一般化と安定性を評価するためのグラフ測地距離(GGD)メトリクスを導入する。 提案したGGD測度は、2つのグラフ間の相違性を重要構造(スペクトル)特性の相違をカプセル化することにより効果的に定量化できることを示す。 提案したGGD測定値は,特に部分ノードの特徴のみが利用可能である場合,GNNの安定性評価の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-06-15T04:47:40Z)
• Graph Parsing Networks [64.5041886737007]
  本稿では,効率的なグラフ解析アルゴリズムを提案する。 結果として得られるグラフパーシングネットワーク(GPN)は、個々のグラフに対してパーソナライズされたプーリング構造を適応的に学習する。
  論文  参考訳（メタデータ） (2024-02-22T09:08:36Z)
• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• Tree Mover's Distance: Bridging Graph Metrics and Stability of Graph Neural Networks [54.225220638606814]
  本稿では,属性グラフの擬似測度,ツリー・モーバー距離(TMD)を提案し,その一般化との関係について検討する。 まず、TMDはグラフ分類に関連する特性をキャプチャし、単純なTMD-SVMは標準のGNNと競合することを示す。 第2に、分散シフトの下でのGNNの一般化とTMDを関連付け、そのようなシフト下での性能低下とよく相関していることを示す。
  論文  参考訳（メタデータ） (2022-10-04T21:03:52Z)
• GEMS: Scene Expansion using Generative Models of Graphs [3.5998698847215165]
  本稿では,その表現,シーングラフに着目し,新たなシーン拡張タスクを提案する。 まず、まず新しいノードを予測し、次にグラフ内の新しく予測されたノードと以前のノードの関係を予測します。 我々は、拡張されたシーングラフを評価するために、Visual GenomeとVRDデータセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2022-07-08T07:41:28Z)
• Embedding Graphs on Grassmann Manifold [31.42901131602713]
  本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。 EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
  論文  参考訳（メタデータ） (2022-05-30T12:56:24Z)
• Approximate Fr\'echet Mean for Data Sets of Sparse Graphs [0.0]
  本研究では、各隣接値の固有値間の$ell$ノルムによって定義された擬似メトリック行列をグラフの集合に装備する。 編集距離とは異なり、この擬メトリックは複数のスケールでの構造変化を示し、グラフの集合上の様々な統計問題の研究によく適合している。 本研究では,一定の大きさの非有向非重み付きグラフの集合fr'echet平均の近似を計算するアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-05-10T01:13:25Z)
• Some Algorithms on Exact, Approximate and Error-Tolerant Graph Matching [3.655021726150369]
  我々は、様々な正確かつ不正確なグラフマッチング技術の広範な調査を紹介します。 グラフマッチングアルゴリズムのカテゴリが提示され、重要でないノードを除去することでグラフのサイズを小さくする。 幾何グラフを用いたグラフ類似度測定の新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-12-30T18:51:06Z)
• 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)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• 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。