論文の概要: PlasmoData.jl -- A Julia Framework for Modeling and Analyzing Complex
Data as Graphs
- arxiv url: http://arxiv.org/abs/2401.11404v1
- Date: Sun, 21 Jan 2024 05:04:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 16:46:53.410077
- Title: PlasmoData.jl -- A Julia Framework for Modeling and Analyzing Complex
Data as Graphs
- Title（参考訳）: PlasmoData.jl - 複雑なデータをグラフとしてモデル化し分析するためのJuliaフレームワーク
- Authors: David L Cole and Victor M Zavala
- Abstract要約: 複雑なデータセットのモデリングと解析を容易にするため,グラフ理論の概念を用いたオープンソースのJuliaフレームワークであるPlasmoData.jlを提案する。
私たちのフレームワークの中核は、DataGraphと呼ばれる一般的なデータモデリング抽象化です。
本稿では,データオブジェクトをグラフとして表現するために,抽象化とソフトウェアの実装をどのように利用できるかを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Datasets encountered in scientific and engineering applications appear in
complex formats (e.g., images, multivariate time series, molecules, video, text
strings, networks). Graph theory provides a unifying framework to model such
datasets and enables the use of powerful tools that can help analyze,
visualize, and extract value from data. In this work, we present PlasmoData.jl,
an open-source, Julia framework that uses concepts of graph theory to
facilitate the modeling and analysis of complex datasets. The core of our
framework is a general data modeling abstraction, which we call a DataGraph. We
show how the abstraction and software implementation can be used to represent
diverse data objects as graphs and to enable the use of tools from topology,
graph theory, and machine learning (e.g., graph neural networks) to conduct a
variety of tasks. We illustrate the versatility of the framework by using real
datasets: i) an image classification problem using topological data analysis to
extract features from the graph model to train machine learning models; ii) a
disease outbreak problem where we model multivariate time series as graphs to
detect abnormal events; and iii) a technology pathway analysis problem where we
highlight how we can use graphs to navigate connectivity. Our discussion also
highlights how PlasmoData.jl leverages native Julia capabilities to enable
compact syntax, scalable computations, and interfaces with diverse packages.
- Abstract（参考訳）: 科学や工学の分野で遭遇するデータセットは複雑な形式(画像、多変量時系列、分子、ビデオ、文字列、ネットワークなど)で現れる。
graph theoryは、このようなデータセットをモデル化するための統一フレームワークを提供し、データから価値を分析、視覚化、抽出するのに役立つ強力なツールの使用を可能にする。
本稿では、グラフ理論の概念を用いて複雑なデータセットのモデリングと解析を容易にするオープンソースのJuliaフレームワークであるPlasmoData.jlを紹介する。
私たちのフレームワークの中核は、DataGraphと呼ばれる一般的なデータモデリング抽象化です。
グラフとして様々なデータオブジェクトを表現し、トポロジ、グラフ理論、機械学習(グラフニューラルネットワークなど)のツールを様々なタスクに利用できるようにするために、抽象化とソフトウェアの実装がどのように使用できるかを示す。
実際のデータセットを使用してフレームワークの汎用性を説明する。
一 トポロジカルデータ分析を用いて、グラフモデルから特徴を抽出して機械学習モデルを訓練する画像分類問題
二 異常事象を検知するためのグラフとして多変量時系列をモデル化する疾患発生問題
三 グラフを用いて接続をナビゲートする方法を強調する技術経路解析の問題。
私たちの議論は、PlasmoData.jlがネイティブのJulia機能を活用して、コンパクトな構文、スケーラブルな計算、多様なパッケージとのインターフェースを実現する方法についても強調しています。
関連論文リスト
- Learning From Graph-Structured Data: Addressing Design Issues and Exploring Practical Applications in Graph Representation Learning [2.492884361833709]
グラフ表現学習とグラフニューラルネットワーク(GNN)の最近の進歩を概観する。
グラフ構造化データを扱うように設計されたGNNは、複雑な関係情報から洞察と予測を引き出すのに長けている。
我々の研究は、GNNの能力を掘り下げ、その基礎設計と現実の課題に対処するための応用について調べている。
論文 参考訳（メタデータ） (2024-11-09T19:10:33Z) - Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。
本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。
我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
論文 参考訳（メタデータ） (2024-11-08T17:40:43Z) - When Graph Data Meets Multimodal: A New Paradigm for Graph Understanding
and Reasoning [54.84870836443311]
本稿では,画像エンコーディングとマルチモーダル技術を統合することで,グラフデータの理解と推論を行う新しいパラダイムを提案する。
このアプローチは, GPT-4Vの高度な機能を利用して, 命令応答形式によるグラフデータの理解を可能にする。
研究は、このパラダイムを様々なグラフタイプで評価し、特に中国のOCRパフォーマンスと複雑な推論タスクにおいて、モデルの強みと弱みを強調した。
論文 参考訳（メタデータ） (2023-12-16T08:14:11Z) - GraphGLOW: Universal and Generalizable Structure Learning for Graph
Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。
一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。
十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文 参考訳（メタデータ） (2023-06-20T03:33:22Z) - Permutation Equivariant Graph Framelets for Heterophilous Graph Learning [6.679929638714752]
本研究では,Haar型グラフフレームレットの構築により,マルチスケール抽出を実現する手法を開発した。
ヘテロ親和性グラフの特定のデータセット上で,我々のモデルが最高の性能を達成できることが示される。
論文 参考訳（メタデータ） (2023-06-07T09:05:56Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-05-31T11:04:53Z) - Connector 0.5: A unified framework for graph representation learning [5.398580049917152]
本稿では,浅層から最先端まで,様々なグラフ埋め込みモデルをカバーする新しいグラフ表現フレームワークを提案する。
我々は,グラフの構造的関係を表現するためのディープグラフ埋め込みモデルを提供する,効率的なオープンソースフレームワークを構築する計画である。
論文 参考訳（メタデータ） (2023-04-25T23:28:38Z) - Bias Reduction via Cooperative Bargaining in Synthetic Graph Dataset
Generation [1.6942548626426182]
そこで本稿では,異なるメトリクスを持つグラフの偶数表現を持つ合成グラフデータセットの探索手法を提案する。
結果のデータセットは、グラフ処理テクニックのベンチマークに使用することができる。
論文 参考訳（メタデータ） (2022-05-27T11:12:50Z) - Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。
これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。
私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文 参考訳（メタデータ） (2021-12-14T14:48:08Z) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳（メタデータ） (2020-02-20T10:11:28Z) - Homology-Preserving Multi-Scale Graph Skeletonization Using Mapper on
Graphs [5.86893539706548]
本稿では、トポロジカルデータ解析の一般的なツールであるmapper構築をグラフ視覚化に適用することを提案する。
我々は,グラフのホモロジー保存骨格を生成するモグ (mog) と呼ばれる,重み付けされた非方向グラフを対象とするマッパー構成のバリエーションを開発する。
我々は,このような骨格のインタラクティブな探索を可能にするソフトウェアツールを提供し,本手法の合成および実世界のデータに対する有効性を実証する。
論文 参考訳（メタデータ） (2018-04-03T19:18:36Z)
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。