Fugu-MT 論文翻訳(概要): Encoder Embedding for General Graph and Node Classification

論文の概要: Encoder Embedding for General Graph and Node Classification

arxiv url: http://arxiv.org/abs/2405.15473v2
Date: Tue, 22 Oct 2024 22:48:15 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-24 13:53:24.272290
Title: Encoder Embedding for General Graph and Node Classification
Title（参考訳）: 汎用グラフとノード分類のためのエンコーダ埋め込み
Authors: Cencheng Shen,
Abstract要約: エンコーダの埋め込み行列が大数の法則と中心極限定理を満たすことを証明している。ある条件下では、クラスごとの正規性を達成し、識別分析による最適な分類を可能にする。
参考スコア（独自算出の注目度）: 4.178980693837599
License:
Abstract: Graph encoder embedding, a recent technique for graph data, offers speed and scalability in producing vertex-level representations from binary graphs. In this paper, we extend the applicability of this method to a general graph model, which includes weighted graphs, distance matrices, and kernel matrices. We prove that the encoder embedding satisfies the law of large numbers and the central limit theorem on a per-observation basis. Under certain condition, it achieves asymptotic normality on a per-class basis, enabling optimal classification through discriminant analysis. These theoretical findings are validated through a series of experiments involving weighted graphs, as well as text and image data transformed into general graph representations using appropriate distance metrics.
Abstract（参考訳）: グラフデータに対する最近のテクニックであるグラフエンコーダの埋め込みは、バイナリグラフから頂点レベルの表現を生成する際の速度とスケーラビリティを提供する。本稿では,重み付きグラフ,距離行列,カーネル行列を含む一般グラフモデルに適用可能性を拡張する。エンコーダの埋め込みは、大数の法則と中心極限定理を観測単位として満足していることを証明する。ある条件下では、クラスごとの漸近正規性を実現し、識別分析による最適な分類を可能にする。これらの理論的な知見は、重み付きグラフを含む一連の実験と、適切な距離測定値を用いた一般的なグラフ表現に変換されたテキストおよび画像データによって検証される。

関連論文リスト

What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
論文参考訳（メタデータ） (2024-06-04T05:30:16Z)
Graphon Pooling for Reducing Dimensionality of Signals and Convolutional Operators on Graphs [131.53471236405628]
グラフ空間における[0, 1]2の分割上のグラフとグラフ信号の誘導的グラフ表現を利用する3つの方法を提案する。これらの低次元表現がグラフとグラフ信号の収束列を構成することを証明している。我々は,層間次元減少比が大きい場合,グラノンプーリングは文献で提案した他の手法よりも有意に優れていることを観察した。
論文参考訳（メタデータ） (2022-12-15T22:11:34Z)
Transductive Kernels for Gaussian Processes on Graphs [7.542220697870243]
半教師付き学習のためのノード特徴データ付きグラフ用の新しいカーネルを提案する。カーネルは、グラフと特徴データを2つの空間として扱うことにより、正規化フレームワークから派生する。グラフ上のカーネルベースのモデルがどれだけの頻度で設計されているかを示す。
論文参考訳（メタデータ） (2022-11-28T14:00:50Z)
Demystifying Graph Convolution with a Simple Concatenation [6.542119695695405]
グラフトポロジ、ノード特徴、ラベル間の重なり合う情報を定量化する。グラフの畳み込みは、グラフの畳み込みに代わる単純だが柔軟な代替手段であることを示す。
論文参考訳（メタデータ） (2022-07-18T16:39:33Z)
Graph Encoder Embedding [11.980640637972266]
本稿では,高速なグラフエンコーダ埋め込み方式を提案する。提案手法は、線形計算複雑性と、標準PC上で数分で数十億のエッジを処理する能力を有する。スピードアップは埋め込み性能を犠牲にすることなく達成される。
論文参考訳（メタデータ） (2021-09-27T14:49:44Z)
Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
論文参考訳（メタデータ） (2021-05-29T08:11:40Z)
Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文参考訳（メタデータ） (2020-10-29T09:58:02Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
Unsupervised Graph Representation by Periphery and Hierarchical Information Maximization [18.7475578342125]
グラフニューラルネットワークの発明により、ベクトル空間におけるノードとグラフ全体の表現の最先端性が向上した。グラフ表現全体について、既存のグラフニューラルネットワークの大部分は、教師付き方法でグラフ分類損失に基づいてトレーニングされている。本稿では,グラフ全体のベクトル表現を生成するための教師なしグラフニューラルネットワークを提案する。
論文参考訳（メタデータ） (2020-06-08T15:50:40Z)
Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。本稿では,非自明なERGに対する近似フレームワークを提案する。我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文参考訳（メタデータ） (2020-02-14T11:42:16Z)
The Power of Graph Convolutional Networks to Distinguish Random Graph Models: Short Version [27.544219236164764]
グラフ畳み込みネットワーク(GCN)はグラフ表現学習において広く使われている手法である。サンプルグラフの埋め込みに基づいて異なるランダムグラフモデルを区別するGCNのパワーについて検討する。
論文参考訳（メタデータ） (2020-02-13T17:58:42Z)

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。