論文の概要: A classification model based on a population of hypergraphs
- arxiv url: http://arxiv.org/abs/2405.15063v1
- Date: Thu, 23 May 2024 21:21:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 18:57:45.423404
- Title: A classification model based on a population of hypergraphs
- Title（参考訳）: ハイパーグラフの集団に基づく分類モデル
- Authors: Samuel Barton, Adelle Coster, Diane Donovan, James Lefevre,
- Abstract要約: 本稿では,新しいハイパーグラフ分類アルゴリズムを提案する。
ハイパーグラフは任意の順序の多方向相互作用を探索する。
このアルゴリズムは2つのデータセットで評価される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces a novel hypergraph classification algorithm. The use of hypergraphs in this framework has been widely studied. In previous work, hypergraph models are typically constructed using distance or attribute based methods. That is, hyperedges are generated by connecting a set of samples which are within a certain distance or have a common attribute. These methods however, do not often focus on multi-way interactions directly. The algorithm provided in this paper looks to address this problem by constructing hypergraphs which explore multi-way interactions of any order. We also increase the performance and robustness of the algorithm by using a population of hypergraphs. The algorithm is evaluated on two datasets, demonstrating promising performance compared to a generic random forest classification algorithm.
- Abstract（参考訳）: 本稿では,新しいハイパーグラフ分類アルゴリズムを提案する。
この枠組みにおけるハイパーグラフの使用は広く研究されている。
過去の研究では、ハイパーグラフモデルは一般的に距離や属性に基づく手法を用いて構築されている。
すなわち、ハイパーエッジは、ある距離内にある、あるいは共通の属性を持つサンプルの集合を接続することによって生成される。
しかし、これらの手法は直接マルチウェイインタラクションに焦点を合わせないことが多い。
本稿では,任意の順序の多方向相互作用を探索するハイパーグラフを構築し,この問題に対処するアルゴリズムを提案する。
また,ハイパーグラフの集団を用いてアルゴリズムの性能とロバスト性を向上する。
このアルゴリズムは2つのデータセットで評価され、一般的なランダム森林分類アルゴリズムと比較して有望な性能を示す。
関連論文リスト
- Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2024-03-11T06:34:05Z) - Hypergraph Isomorphism Computation [20.21325386855039]
Wesfieler-Lehmanカーネルフレームワークを提案し,Hypergraph Weisfeiler-Lehamn Subtree KernelとHypergraph Weisfeiler-Lehamn Hyperedge Kernelの2つの例を実装した。
ハイパーグラフ分類データセットの結果は、他の典型的なカーネルベースの手法と比較して大幅に改善されている。
論文 参考訳（メタデータ） (2023-07-26T09:39:40Z) - From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。
次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。
提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文 参考訳（メタデータ） (2023-06-16T04:40:59Z) - Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。
THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。
3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文 参考訳（メタデータ） (2023-06-05T03:26:06Z) - Finding Bipartite Components in Hypergraphs [9.759415650727892]
本稿では,ハイパーグラフにおける新しい熱拡散過程について検討し,このプロセスを用いて,ハイパーグラフ内の約2部成分を探索するアルゴリズムを設計する。
我々の新しいアルゴリズムは、幅広いハイパーグラフにまたがって、従来の最先端のアルゴリズムよりも一貫して、はるかに優れています。
論文 参考訳（メタデータ） (2022-05-05T16:46:31Z) - Hypergraph Convolutional Networks via Equivalency between Hypergraphs
and Undirected Graphs [59.71134113268709]
本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。
本稿では,提案するフレームワークが最先端の性能を達成できることを示す。
ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
論文 参考訳（メタデータ） (2022-03-31T10:46:47Z) - Love tHy Neighbour: Remeasuring Local Structural Node Similarity in
Hypergraph-Derived Networks [2.246222223318928]
ノードペア間のハイパーグラフ指向の類似度スコアを複数提案する。
グラフトポロジーに基づくスコアをハイパーグラフに拡張するための理論的定式化を提供する。
論文 参考訳（メタデータ） (2021-10-30T14:12:58Z) - HyperSF: Spectral Hypergraph Coarsening via Flow-based Local Clustering [9.438207505148947]
本稿では,ハイパーグラフのスペクトル(構造)特性を保存するために,効率的なスペクトルハイパーグラフ粗大化手法を提案する。
提案手法は,ハイパーグラフクラスタリングのマルチウェイコンダクタンスを大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2021-08-17T22:20:23Z) - Sketch-Based Anomaly Detection in Streaming Graphs [89.52200264469364]
動的グラフからのグラフエッジのストリームを前提に、オンライン形式でエッジやサブグラフに異常スコアを割り当てるにはどうすればよいのか?
本手法は,高密度部分グラフ探索を取り入れた最初のストリーミング手法であり,一定時間におけるグラフ異常を検出する。
論文 参考訳（メタデータ） (2021-06-08T16:10:36Z) - Hypergraph Random Walks, Laplacians, and Clustering [9.488853155989615]
最近提案されたランダムウォークに基づくハイパーグラフ構造化データのクラスタリングのためのフレキシブルなフレームワークを提案する。
提案手法は,高品質なクラスタを創出し,今後の作業への道のりを強調して結論付ける。
論文 参考訳（メタデータ） (2020-06-29T20:58:15Z) - Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
我々は高密度サブグラフ発見のための新しい学習問題を導入する。
まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。
そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-06-24T11:37:33Z)
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。