論文の概要: Multiview Graph Learning with Consensus Graph

• arxiv url: http://arxiv.org/abs/2401.13769v1
• Date: Wed, 24 Jan 2024 19:35:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-26 16:37:16.517913
• Title: Multiview Graph Learning with Consensus Graph
• Title（参考訳）: Consensus Graphを用いたマルチビューグラフ学習
• Authors: Abdullah Karaaslanli, Selin Aviyente
• Abstract要約: グラフトポロジ推論は多くのアプリケーション領域において重要なタスクである。 多くの現代のデータセットは異質または混合であり、複数の関連するグラフ、すなわちマルチビューグラフを含んでいる。 コンセンサス正則化に基づく代替手法を提案する。 また、脳波記録(EEG)から複数の被験者の脳機能接続ネットワークを推定するためにも用いられる。
• 参考スコア（独自算出の注目度）: 24.983233822595274
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph topology inference, i.e., learning graphs from a given set of nodal observations, is a significant task in many application domains. Existing approaches are mostly limited to learning a single graph assuming that the observed data is homogeneous. This is problematic because many modern datasets are heterogeneous or mixed and involve multiple related graphs, i.e., multiview graphs. Recent work proposing to learn multiview graphs ensures the similarity of learned view graphs through pairwise regularization, where each pair of views is encouraged to have similar structures. However, this approach cannot infer the shared structure across views. In this work, we propose an alternative method based on consensus regularization, where views are ensured to be similar through a learned consensus graph representing the common structure of the views. In particular, we propose an optimization problem, where graph data is assumed to be smooth over the multiview graph and the topology of the individual views and that of the consensus graph are learned, simultaneously. Our optimization problem is designed to be general in the sense that different regularization functions can be used depending on what the shared structure across views is. Moreover, we propose two regularization functions that extend fused and group graphical lasso to consensus based regularization. Proposed multiview graph learning is evaluated on simulated data and shown to have better performance than existing methods. It is also employed to infer the functional brain connectivity networks of multiple subjects from their electroencephalogram (EEG) recordings. The proposed method reveals the structure shared by subjects as well as the characteristics unique to each subject.
• Abstract（参考訳）: グラフトポロジー推論、すなわち与えられたノード観測の集合からグラフを学習することは、多くのアプリケーション領域において重要なタスクである。 既存のアプローチは、観測されたデータが均質であると仮定して単一のグラフを学習することに限られる。 現代のデータセットの多くは異種または混合であり、複数の関連グラフ、すなわちマルチビューグラフを含んでいるため、これは問題となる。 マルチビューグラフを学習するための最近の研究は、ペアワイズ正規化を通じて学習されたビューグラフの類似性を保証する。 しかし、このアプローチはビュー間の共有構造を推測することはできない。 そこで本研究では,ビューの共通構造を表す学習されたコンセンサスグラフを通じて,ビューが類似することを保証するコンセンサス正規化に基づく代替手法を提案する。 特に、多視点グラフ上で滑らかなグラフデータを仮定し、個々のビューのトポロジーとコンセンサスグラフのトポロジを同時に学習する最適化問題を提案する。 我々の最適化問題は、ビュー間の共有構造によって異なる正規化関数を使用できるという意味で、一般に設計されている。 さらに,融合とグループグラフィカルなラッソをコンセンサスに基づく正規化に拡張する2つの正規化関数を提案する。 提案したマルチビューグラフ学習はシミュレーションデータに基づいて評価され,既存手法よりも優れた性能を示した。 また、脳波記録(EEG)から複数の被験者の脳機能接続ネットワークを推定するためにも用いられる。 提案手法は,被験者が共有する構造と,各被験者固有の特徴を明らかにする。

関連論文リスト

• Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
  マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。 本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。 複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-11-08T09:19:32Z)
• Variational Graph Generator for Multi-View Graph Clustering [13.721803208437755]
  マルチビューグラフクラスタリング(VGMGC)のための変分グラフ生成器を提案する。 複数のグラフに対する事前仮定に基づいて、信頼性のある変分収束グラフを推定するために、新しい変分グラフ生成法を提案する。 単純なグラフエンコーダとマルチビュークラスタリングの目的を併用して,クラスタリングのためのグラフ埋め込みを学習する。
  論文  参考訳（メタデータ） (2022-10-13T13:19:51Z)
• Efficient Multi-view Clustering via Unified and Discrete Bipartite Graph Learning [15.617206773324952]
  本稿では,統一および離散二部グラフ学習(UDBGL)による効率的なマルチビュークラスタリング手法を提案する。 複数のビューからビュー固有の二部グラフを学習するために、アンカーベースのサブスペース学習が組み込まれている。 ラプラシア階数制約は、融合二部グラフが離散クラスタ構造を持つことを保証するために課される。
  論文  参考訳（メタデータ） (2022-09-09T08:51:01Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Multi-view Contrastive Graph Clustering [12.463334005083379]
  マルチビュー属性グラフデータをクラスタリングするための汎用フレームワークを提案する。 コントラスト学習の成功に触発されて,マルチビューコントラストグラフクラスタリング(MCGC)法を提案する。 私たちの単純なアプローチは、既存のディープラーニングベースの手法よりも優れています。
  論文  参考訳（メタデータ） (2021-10-22T15:22:42Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
  グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。 複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
  論文  参考訳（メタデータ） (2021-07-20T22:09:21Z)
• Multiple Graph Learning for Scalable Multi-view Clustering [26.846642220480863]
  少数のアンカー点とテンソルシャッテンp-ノルム最小化による効率的な多重グラフ学習モデルを提案する。 具体的には、各ビューに対してアンカーグラフを用いて、隠蔽かつトラクタブルな大きなグラフを構築する。 本研究では,データサイズと線形にスケールする効率的なアルゴリズムを開発し,提案したモデルを解く。
  論文  参考訳（メタデータ） (2021-06-29T13:10:56Z)
• Multi-view Graph Learning by Joint Modeling of Consistency and Inconsistency [65.76554214664101]
  グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。 本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。 12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
  論文  参考訳（メタデータ） (2020-08-24T06:11:29Z)

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。