論文の概要: Sign-Guided Bipartite Graph Hashing for Hamming Space Search
- arxiv url: http://arxiv.org/abs/2405.02716v1
- Date: Sat, 04 May 2024 17:20:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-11 01:28:22.081089
- Title: Sign-Guided Bipartite Graph Hashing for Hamming Space Search
- Title（参考訳）: ハムミング宇宙探索のための手書き二部グラフハッシュ
- Authors: Xueyi Wu,
- Abstract要約: BGH(Bipartite graph hashing)は、ハミング空間におけるTop-K検索において、低ストレージと推論コストで広く利用されている。
近年の研究では、BGHにグラフ畳み込みハッシュを導入し、最先端のパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Bipartite graph hashing (BGH) is extensively used for Top-K search in Hamming space at low storage and inference costs. Recent research adopts graph convolutional hashing for BGH and has achieved the state-of-the-art performance. However, the contributions of its various influencing factors to hashing performance have not been explored in-depth, including the same/different sign count between two binary embeddings during Hamming space search (sign property), the contribution of sub-embeddings at each layer (model property), the contribution of different node types in the bipartite graph (node property), and the combination of augmentation methods. In this work, we build a lightweight graph convolutional hashing model named LightGCH by mainly removing the augmentation methods of the state-of-the-art model BGCH. By analyzing the contributions of each layer and node type to performance, as well as analyzing the Hamming similarity statistics at each layer, we find that the actual neighbors in the bipartite graph tend to have low Hamming similarity at the shallow layer, and all nodes tend to have high Hamming similarity at the deep layers in LightGCH. To tackle these problems, we propose a novel sign-guided framework SGBGH to make improvement, which uses sign-guided negative sampling to improve the Hamming similarity of neighbors, and uses sign-aware contrastive learning to help nodes learn more uniform representations. Experimental results show that SGBGH outperforms BGCH and LightGCH significantly in embedding quality.
- Abstract（参考訳）: BGH(Bipartite graph hashing)は、ハミング空間におけるTop-K検索において、低ストレージと推論コストで広く利用されている。
近年の研究では、BGHにグラフ畳み込みハッシュを導入し、最先端のパフォーマンスを実現している。
しかし,ハミング空間探索における2つのバイナリ埋め込み(符号特性),各層におけるサブ埋め込みの寄与(モデル特性),二部グラフ(ノード特性)における異なるノードタイプの寄与(ノード特性),および拡張手法の組み合わせなど,その影響要因の詳細な調査は行われていない。
本研究では,現在最先端モデルであるBGCHの強化手法を主に取り除き,軽量なグラフ畳み込みハッシュモデルであるLightGCHを構築する。
各層とノードタイプの性能に対する寄与を解析し、各層におけるハミング類似度統計を解析することにより、両部グラフの実際の隣人は浅い層ではハミング類似度が低く、全てのノードはLightGCHの深層ではハミング類似度が高い傾向にあることがわかった。
これらの問題に対処するために, 近隣住民のハミング類似性を改善するために, 符号誘導型負サンプリングを用いて, ノードがより均一な表現を学習するのに役立つ, 符号誘導型フレームワーク SGBGH を提案する。
実験結果から,SGBGHはBGCHおよびLightGCHよりも埋込品質が有意に優れていた。
関連論文リスト
- Towards Effective Top-N Hamming Search via Bipartite Graph Contrastive Hashing [42.6340751096123]
グラフ畳み込みネットワークを用いた効率的なTop-N探索におけるハッシュ問題について検討する。
両部グラフ受信フィールドの探索にハッシュ手法を取り入れた学習の有効性が示唆された。
モデル性能を向上させるためにBGCH+(Bipartite Graph Contrastive Hashing)を提案する。
論文 参考訳（メタデータ） (2024-08-17T16:21:32Z) - Reliable Node Similarity Matrix Guided Contrastive Graph Clustering [51.23437296378319]
我々は、新しいフレームワーク、Reliable Node similarity Matrix Guided Contrastive Graph Clustering (NS4GC)を紹介した。
本手法は,ノード近傍のアライメントとセマンティック・アウェア・スパリフィケーションを導入し,ノード類似度行列が正確かつ効率的にスパースであることを保証する。
論文 参考訳（メタデータ） (2024-08-07T13:36:03Z) - SimCalib: Graph Neural Network Calibration based on Similarity between
Nodes [60.92081159963772]
グラフニューラルネットワーク(GNN)は、さまざまなアプリケーションで実証されたグラフデータのモデリングにおいて、優れたパフォーマンスを示している。
理論解析により,GNNキャリブレーションとノードワイド類似性の関係について考察した。
SimCalibと名付けられた新しい校正フレームワークは、グローバルレベルとローカルレベルにおけるノード間の類似性を検討するために提案されている。
論文 参考訳（メタデータ） (2023-12-19T04:58:37Z) - Simplifying Node Classification on Heterophilous Graphs with Compatible
Label Propagation [6.071760028190454]
本稿では,グラフに対する半教師付きノード分類において,グラフアルゴリズムのラベル伝搬と浅いニューラルネットワークを組み合わせることで,GNNに匹敵する性能が得られることを示す。
本稿では,ノードが反対クラスのノードに接続されることの多い低ホモフィリーグラフ上では,このアプローチが不十分であることを示す。
アルゴリズムはまずクラス互換行列を学習し、次にクラス適合性によって重み付けされたLPアルゴリズムを用いてラベル予測を集約する。
論文 参考訳（メタデータ） (2022-05-19T08:34:34Z) - 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) - Geometric Graph Representation Learning via Maximizing Rate Reduction [73.6044873825311]
学習ノード表現は、コミュニティ検出やノード分類などのグラフ解析において、さまざまな下流タスクの恩恵を受ける。
教師なしの方法でノード表現を学習するための幾何学グラフ表現学習(G2R)を提案する。
G2R は異なるグループ内のノードを異なる部分空間にマッピングし、各部分空間はコンパクトで異なる部分空間が分散される。
論文 参考訳（メタデータ） (2022-02-13T07:46:24Z) - Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。
時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-11T16:15:25Z) - Structure-Aware Hard Negative Mining for Heterogeneous Graph Contrastive
Learning [21.702342154458623]
本稿では,グラフニューラルネットワーク(GNN)におけるコントラスト学習(CL)について検討する。
まず、メタパスとネットワークスキーマに基づいて複数のセマンティックビューを生成します。
次に、異なるセマンティックビューに対応するノードの埋め込み(陽性)を押して、他の埋め込み(負)を引き離します。
複雑なグラフ構造とGNNの滑らかな性質を考慮し,構造を考慮した強負のマイニング手法を提案する。
論文 参考訳（メタデータ） (2021-08-31T14:44:49Z) - Semi-supervised Hyperspectral Image Classification with Graph Clustering
Convolutional Networks [41.78245271989529]
HSI分類のためのグラフ畳み込みネットワーク(GCN)に基づくフレームワークを提案する。
特に、類似のスペクトル特徴を持つ画素をスーパーピクセルにまずクラスターし、入力したhsiのスーパーピクセルに基づいてグラフを構築する。
その後、エッジを弱い重みで刻むことでいくつかの部分グラフに分割し、高い類似性を持つノードの相関性を強化する。
論文 参考訳（メタデータ） (2020-12-20T14:16:59Z) - Generalized Spectral Clustering via Gromov-Wasserstein Learning [10.558951653323286]
スペクトルクラスタリングとGromov-Wasserstein Learning(GWL)の橋渡しを行う。
GWLはグラフ分割に対する近年の最適輸送に基づくアプローチである。
熱カーネルを用いた2ノードテンプレートグラフを無限の時間制限で比較した場合、結果として得られる分割は、Fiedlerベクトルが生成する分割と一致することを示す。
論文 参考訳（メタデータ） (2020-06-07T14:29:32Z)
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。