論文の概要: A novel approach to graph distinction through GENEOs and permutants
- arxiv url: http://arxiv.org/abs/2406.08045v1
- Date: Wed, 12 Jun 2024 09:53:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-13 17:34:43.164266
- Title: A novel approach to graph distinction through GENEOs and permutants
- Title（参考訳）: 遺伝子組換えと置換体によるグラフ識別の新しいアプローチ
- Authors: Giovanni Bocchi, Massimo Ferri, Patrizio Frosini,
- Abstract要約: 本稿では、同型への$r$正則グラフの識別にGENEOsを用いる方法について検討する。
実験の結果, GENEOsは$r$規則グラフの比較において, 効率と計算コストとの間に良い妥協をもたらすことがわかった。
genEOsは機械学習における差別的問題に対する汎用的なアプローチである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The theory of Group Equivariant Non-Expansive Operators (GENEOs) was initially developed in Topological Data Analysis for the geometric approximation of data observers, including their invariances and symmetries. This paper departs from that line of research and explores the use of GENEOs for distinguishing $r$-regular graphs up to isomorphisms. In doing so, we aim to test the capabilities and flexibility of these operators. Our experiments show that GENEOs offer a good compromise between efficiency and computational cost in comparing $r$-regular graphs, while their actions on data are easily interpretable. This supports the idea that GENEOs could be a general-purpose approach to discriminative problems in Machine Learning when some structural information about data and observers is explicitly given.
- Abstract（参考訳）: 群同変非拡張演算子(GENEOs)の理論は、まずトポロジカルデータ解析において、その不変性や対称性を含むデータオブザーバの幾何学的近似のために開発された。
この論文は、そのような研究の流れから離れ、同型への$r$正則グラフの識別にGENEOsを使うことを探求する。
そこで我々は,これらの演算子の能力と柔軟性をテストすることを目的とする。
実験の結果, GenEOsは$r$正規グラフの比較において, 効率と計算コストの両立を図っているのに対し, データに対する作用は容易に解釈可能であることがわかった。
これは、データとオブザーバに関するいくつかの構造情報が明示的に与えられるとき、genEOsが機械学習における差別的問題に対する汎用的なアプローチである、という考えを支持する。
関連論文リスト
- On the Validation of Gibbs Algorithms: Training Datasets, Test Datasets
and their Aggregation [70.540936204654]
Gibbsアルゴリズム(GA)のトレーニングデータへの依存を解析的に特徴付ける。
この記述により、異なるデータセットでトレーニングされたGAのトレーニングエラーとテストエラーを含む明示的な表現の開発が可能になる。
論文 参考訳（メタデータ） (2023-06-21T16:51:50Z) - Transfer operators on graphs: Spectral clustering and beyond [1.147633309847809]
直交グラフのスペクトルクラスタリングは、クープマン作用素の固有関数の観点から解釈できることを示す。
一般化された転送演算子に基づく有向グラフの新しいクラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-19T15:52:08Z) - Generalized Permutants and Graph GENEOs [0.0]
群同変非拡大作用素(genEOs)の理論を、頂点や辺に重み付けされたすべてのグラフの空間に作用させるように適応する。
これは、GenEOの一般的な概念がグラフを変換し、それらの構造に関する情報を与えるのにどのように使用できるかを示すことでなされる。
実験的なセクションが論文を締めくくり、グラフから情報を取り出すための演算子の使用の可能性を示します。
論文 参考訳（メタデータ） (2022-06-29T17:56:37Z) - Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。
GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。
4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
論文 参考訳（メタデータ） (2022-06-25T03:54:53Z) - Graph Neural Networks Intersect Probabilistic Graphical Models: A Survey [0.0]
グラフニューラルネットワーク(GNN)と確率的グラフィカルモデル(PGM)の交点について検討する。
GNNは、PGMにおける構造化表現の学習、PGMによる説明可能な予測、およびPGMがオブジェクト関係を推測する方法の恩恵を受けることができる。
本稿では,最近の研究で使用されるベンチマークデータセットを要約し,将来的な方向性について論じる。
論文 参考訳（メタデータ） (2022-05-24T03:36:25Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳（メタデータ） (2022-04-30T12:57:02Z) - DoGR: Disaggregated Gaussian Regression for Reproducible Analysis of
Heterogeneous Data [4.720638420461489]
データを重なり合うクラスタ(分散)に分割し,その内の動作をモデル化することで,潜在的共同設立者を検出するDoGRを導入する(回帰)。
実世界のデータに適用すると,本手法は有意義なクラスタとその特徴的行動を発見し,グループ差と関心の帰結に対する影響について考察する。
我々のフレームワークは、潜伏した共同創設者を考慮し、ノイズの多い異種データの探索分析を促進し、新しいデータにもっと一般化した予測モデルを学ぶのに利用できる。
論文 参考訳（メタデータ） (2021-08-31T01:58:23Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳（メタデータ） (2021-01-16T16:18:43Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳（メタデータ） (2020-02-20T09:53:28Z) - 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)
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。