論文の概要: Deep Hierarchical Graph Alignment Kernels

• arxiv url: http://arxiv.org/abs/2405.05545v1
• Date: Thu, 9 May 2024 05:08:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-10 14:12:43.927681
• Title: Deep Hierarchical Graph Alignment Kernels
• Title（参考訳）: 深層階層グラフアライメントカーネル
• Authors: Shuhao Tang, Hao Tian, Xiaofeng Cao, Wei Ye,
• Abstract要約: この問題を解決するために,Deep Hierarchical Graph Alignment Kernels (DHGAK)を導入する。 具体的には、関係部分構造は、その深い埋め込み空間におけるクラスタ分布に階層的に整列している。 DHGAKは正の半定値であり、再生ケルネルヒルベルト空間において線形分離性を持つ。
• 参考スコア（独自算出の注目度）: 16.574634620245487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Typical R-convolution graph kernels invoke the kernel functions that decompose graphs into non-isomorphic substructures and compare them. However, overlooking implicit similarities and topological position information between those substructures limits their performances. In this paper, we introduce Deep Hierarchical Graph Alignment Kernels (DHGAK) to resolve this problem. Specifically, the relational substructures are hierarchically aligned to cluster distributions in their deep embedding space. The substructures belonging to the same cluster are assigned the same feature map in the Reproducing Kernel Hilbert Space (RKHS), where graph feature maps are derived by kernel mean embedding. Theoretical analysis guarantees that DHGAK is positive semi-definite and has linear separability in the RKHS. Comparison with state-of-the-art graph kernels on various benchmark datasets demonstrates the effectiveness and efficiency of DHGAK. The code is available at Github (https://github.com/EWesternRa/DHGAK).
• Abstract（参考訳）: 典型的なR-畳み込みグラフカーネルは、グラフを非同型部分構造に分解して比較するカーネル関数を呼び出している。 しかし、これらのサブ構造間の暗黙的な類似性や位相的位置情報を見渡すと、それらの性能は制限される。 本稿では,この問題を解決するために,Deep Hierarchical Graph Alignment Kernels (DHGAK)を提案する。 具体的には、関係部分構造は、その深い埋め込み空間におけるクラスタ分布に階層的に整列している。 同じクラスタに属するサブ構造は、カーネル平均埋め込みによってグラフ特徴写像が導出される再生カーネルヒルベルト空間(RKHS)において、同じ特徴写像に割り当てられる。 理論的解析により、DHGAKは正の半定値であり、RKHSにおいて線形分離性を有することが保証される。 各種ベンチマークデータセットにおける最先端グラフカーネルとの比較は,DHGAKの有効性と有効性を示している。 コードはGithub(https://github.com/EWesternRa/DHGAK)で公開されている。

関連論文リスト

• LSEnet: Lorentz Structural Entropy Neural Network for Deep Graph Clustering [59.89626219328127]
  グラフクラスタリングは機械学習の基本的な問題である。 近年、ディープラーニング手法は最先端の成果を達成しているが、事前に定義されたクラスタ番号なしでは動作できない。 本稿では,グラフ情報理論の新たな視点からこの問題に対処することを提案する。
  論文  参考訳（メタデータ） (2024-05-20T05:46:41Z)
• QESK: Quantum-based Entropic Subtree Kernels for Graph Classification [11.51839867040302]
  グラフ分類のための新しいグラフカーネル、すなわち量子ベースのエントロピーサブツリーカーネル(QESK)を提案する。 古典的なWeisfeiler-Lehman (WL) アルゴリズムに付随する一連のエントロピー部分木表現を計算するために,この AMM 行列を用いる方法を示す。 提案したQESKカーネルは,グラフ分類問題に対する最先端のグラフカーネルやグラフ深層学習法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-10T07:10:03Z)
• HAQJSK: Hierarchical-Aligned Quantum Jensen-Shannon Kernels for Graph Classification [17.95088104970343]
  我々は、新しい量子核の族、すなわち階層的配向量子Jensen-Shannon Kernels (HAQJSK)を提案する。 提案したHAQJSKカーネルは、連続時間量子ウォーク(CTQW)の観点から、より固有なグローバルグラフ特性を反映していることを示す。 QJSDとCTQWに関連付けられた以前の量子Jensen-Shannonカーネルとは異なり、提案されたHAQJSKカーネルは、置換不変性と正定性の性質を同時に保証することができる。
  論文  参考訳（メタデータ） (2022-11-05T13:35:04Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• 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)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• Learning Deep Graph Representations via Convolutional Neural Networks [7.1945109570193795]
  本稿では,グラフ特徴写像の深部表現を学習するためのDeepMapというフレームワークを提案する。 グラフの学習された深部表現は、複雑な高次相互作用をキャプチャする密度で低次元のベクトルである。 我々は、様々なグラフ分類ベンチマークでDeepMapを実証的に検証し、最先端のパフォーマンスを実現することを実証した。
  論文  参考訳（メタデータ） (2020-04-05T08:49:27Z)
• An End-to-End Graph Convolutional Kernel Support Vector Machine [0.0]
  グラフ分類のためのカーネルベースサポートベクターマシン(SVM)を提案する。 提案したモデルは、教師付きエンドツーエンドで訓練される。 実験結果から,提案モデルが既存のディープラーニングベースラインモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-29T09:57:42Z)
• A Hierarchical Transitive-Aligned Graph Kernel for Un-attributed Graphs [11.51839867040302]
  我々は、グラフ間の頂点を推移的に整列させることにより、新しいグラフカーネル、すなわち階層的推移型カーネルを開発する。 提案したカーネルは、分類精度の観点から、標準グラフベースのデータセット上で最先端のグラフカーネルより優れている。
  論文  参考訳（メタデータ） (2020-02-08T11:46:25Z)

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。