論文の概要: Consistency of semi-supervised learning, stochastic tug-of-war games,
and the p-Laplacian
- arxiv url: http://arxiv.org/abs/2401.07463v1
- Date: Mon, 15 Jan 2024 04:20:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 18:10:21.961295
- Title: Consistency of semi-supervised learning, stochastic tug-of-war games,
and the p-Laplacian
- Title(参考訳): 半教師付き学習,確率的綱引きゲーム,およびp-ラプラシアンの整合性
- Authors: Jeff Calder, Nadejda Drenska
- Abstract要約: 偏微分方程式(PDE)とグラフに基づく半教師付き学習の交叉について概観する。
グラフに基づく半教師付き学習の一貫性に関する興味深い研究の方向性を強調した。
本稿では, 今後の研究の方向性を示唆する数値実験の結果を紹介する。
- 参考スコア(独自算出の注目度): 2.7195102129095003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we give a broad overview of the intersection of partial
differential equations (PDEs) and graph-based semi-supervised learning. The
overview is focused on a large body of recent work on PDE continuum limits of
graph-based learning, which have been used to prove well-posedness of
semi-supervised learning algorithms in the large data limit. We highlight some
interesting research directions revolving around consistency of graph-based
semi-supervised learning, and present some new results on the consistency of
p-Laplacian semi-supervised learning using the stochastic tug-of-war game
interpretation of the p-Laplacian. We also present the results of some
numerical experiments that illustrate our results and suggest directions for
future work.
- Abstract(参考訳): 本稿では,偏微分方程式(pdes)とグラフに基づく半教師付き学習の交叉について概観する。
この概要は、グラフベース学習のPDE継続限界に関する最近の研究の大規模な部分に焦点を当てており、これは、大規模データ制限における半教師付き学習アルゴリズムの有効性を証明するために使われてきた。
グラフに基づく半教師付き学習の整合性に関する興味深い研究の方向性を強調し,p-ラプラシアンゲーム解釈を用いたp-ラプラシアン半教師付き学習の整合性に関する新たな結果を示す。
また,いくつかの数値実験の結果を示し,今後の研究の方向性を示唆する。
関連論文リスト
- Graph Learning under Distribution Shifts: A Comprehensive Survey on
Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。
既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。
本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
論文 参考訳(メタデータ) (2024-02-26T07:52:40Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳(メタデータ) (2023-08-03T07:00:04Z) - Capturing Fine-grained Semantics in Contrastive Graph Representation
Learning [23.861016307326146]
グラフコントラスト学習(Graph contrastive learning)は、類似のインスタンスを閉じて、異種インスタンスをプッシュするコントラストタスクを定義する。
グラフコントラスト学習の既存の方法は、グラフに存在する多様な意味論の違いを無視している。
本稿では, グラフコントラスト学習法(FSGCL)を提案する。
論文 参考訳(メタデータ) (2023-04-23T14:05:05Z) - From Spectral Graph Convolutions to Large Scale Graph Convolutional
Networks [0.0]
グラフ畳み込みネットワーク(GCN)は、様々なタスクにうまく適用された強力な概念であることが示されている。
古典グラフ理論の関連部分を含むGCNの定義への道を開いた理論を考察する。
論文 参考訳(メタデータ) (2022-07-12T16:57:08Z) - Learning node embeddings via summary graphs: a brief theoretical
analysis [55.25628709267215]
グラフ表現学習は多くのグラフマイニングアプリケーションにおいて重要な役割を果たすが、大規模なグラフの埋め込みを学習することは依然として問題である。
最近の研究は、グラフの要約(つまり、より小さな要約グラフへの埋め込みを学習し、元のグラフのノード埋め込みを復元することでスケーラビリティを向上させる。
本稿では,導入したカーネル行列に基づく3つの特定の埋め込み学習手法について,詳細な理論的解析を行う。
論文 参考訳(メタデータ) (2022-07-04T04:09:50Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳(メタデータ) (2022-06-06T14:26:34Z) - Self-Supervised Representation Learning via Latent Graph Prediction [41.64774038444827]
グラフニューラルネットワークの自己教師付き学習(SSL)は、ラベルのないデータを活用するための有望な方法として浮上している。
ラグラフ(LaGraph)は、遅延グラフ予測に基づく理論的に基礎付けられた予測型SSLフレームワークである。
実験結果から,LaGraphの性能向上と,グラフレベルとノードレベルの両方のタスクにおけるトレーニングサンプルサイズ削減に対する堅牢性を示す。
論文 参考訳(メタデータ) (2022-02-16T21:10:33Z) - Dual Space Graph Contrastive Learning [82.81372024482202]
本研究では,新しいグラフコントラスト学習手法,すなわち textbfDual textbfSpace textbfGraph textbfContrastive (DSGC) Learningを提案する。
両空間にはグラフデータを埋め込み空間に表現する独自の利点があるので、グラフコントラスト学習を用いて空間をブリッジし、双方の利点を活用することを期待する。
論文 参考訳(メタデータ) (2022-01-19T04:10:29Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2021-12-15T01:45:32Z) - Probing Negative Sampling Strategies to Learn GraphRepresentations via
Unsupervised Contrastive Learning [4.909151538536424]
グラフ表現学習は長い間、さまざまな現実世界のアプリケーションにとって重要かつ困難なタスクでした。
本稿では,教師なしコントラスト学習の最近の進歩に触発されて,ノード毎のコントラスト学習の実施方法について検討する。
論文 参考訳(メタデータ) (2021-04-13T15:53:48Z) - A continuum limit for the PageRank algorithm [1.2891210250935146]
半教師あり、教師なしの機械学習手法は、しばしばデータモデリングにグラフに依存する。
本稿では,有向グラフ上での学習アルゴリズムの連続限界を厳密に研究するための新しいフレームワークを提案する。
正規化グラフの一種であるラプラシアンを含む有向グラフ上の数値スキームとして解釈する方法を示す。
論文 参考訳(メタデータ) (2020-01-24T12:56:09Z)
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。