Fugu-MT 論文翻訳(概要): Consistency of semi-supervised learning, stochastic tug-of-war games, and the p-Laplacian

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/2401.07463v2
Date: Mon, 3 Jun 2024 01:55:52 GMT
ステータス: 処理完了
システム内更新日: 2024-06-04 19:32:36.996344
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。
参考スコア（独自算出の注目度）: 2.3020018305241337
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(PDE)とグラフに基づく半教師付き学習の交叉について概説する。この概要は、グラフベースの学習の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、大きなデータ限界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。本稿では,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,その新しい結果として,約$p$-Laplacianの確率ゲーム解釈を用いて,$p$-Laplacianの半教師付き学習の整合性について述べる。また,本研究の結果を示す数値実験の結果を提示し,今後の研究の方向性を示唆する。

関連論文リスト

A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
論文参考訳（メタデータ） (2024-10-25T02:39:56Z)
Disentangled Generative Graph Representation Learning [51.59824683232925]
本稿では,自己教師型学習フレームワークであるDiGGR(Disentangled Generative Graph Representation Learning)を紹介する。潜伏要因を学習し、それをグラフマスクモデリングのガイドとして活用することを目的としている。 2つの異なるグラフ学習タスクのための11の公開データセットの実験は、DiGGRが従来よりも一貫して多くの自己教師付きメソッドを上回っていることを示している。
論文参考訳（メタデータ） (2024-08-24T05:13:02Z)
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)
GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文参考訳（メタデータ） (2022-03-24T02:58:36Z)
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)
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。