論文の概要: Time-varying Extremum Graphs
- arxiv url: http://arxiv.org/abs/2406.17652v1
- Date: Tue, 25 Jun 2024 15:43:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-26 13:11:55.517216
- Title: Time-varying Extremum Graphs
- Title（参考訳）: 時間変化エクストリームグラフ
- Authors: Somenath Das, Raghavendra Sridharamurthy, Vijay Natarajan,
- Abstract要約: 時間変化スカラーフィールドの可視化と解析を支援するために,TVEG (Time-variant extremum graph) を導入する。
TVEGはダイナミックスカラーフィールド内で有能な特徴トラックをキャプチャする。
また, 動的スカラーフィールド内での削除, 生成, 分割, マージなどのトポロジ的事象の同定と探索に対するTVEGの機能を示す。
- 参考スコア（独自算出の注目度）: 4.279428843696973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce time-varying extremum graph (TVEG), a topological structure to support visualization and analysis of a time-varying scalar field. The extremum graph is a substructure of the Morse-Smale complex. It captures the adjacency relationship between cells in the Morse decomposition of a scalar field. We define the TVEG as a time-varying extension of the extremum graph and demonstrate how it captures salient feature tracks within a dynamic scalar field. We formulate the construction of the TVEG as an optimization problem and describe an algorithm for computing the graph. We also demonstrate the capabilities of \TVEG towards identification and exploration of topological events such as deletion, generation, split, and merge within a dynamic scalar field via comprehensive case studies including a viscous fingers and a 3D von K\'arm\'an vortex street dataset.
- Abstract（参考訳）: 時間変化スカラー場の可視化と解析を支援するトポロジ構造である時間変化エクストリームグラフ(TVEG)を導入する。
極値グラフはモース・スモール複体の部分構造である。
スカラーフィールドのモース分解における細胞間の隣接関係を捉える。
我々は,TVEGを極端グラフの時間変化拡張として定義し,動的スカラー場内での有能な特徴トラックの捉え方を示した。
本稿では,最適化問題としてTVEGの構成を定式化し,その計算アルゴリズムについて述べる。
また, 粘性指と3D von K\'arm\'an vortex ストリートデータセットを含む包括的ケーススタディにより, 動的スカラーフィールド内での削除, 生成, 分割, マージなどのトポロジ的事象の同定と探索の能力を示す。
関連論文リスト
- Clustering Time-Evolving Networks Using the Spatio-Temporal Graph Laplacian [0.8643517734716606]
我々は既存のスペクトルアルゴリズムを一般化し、時間変化のあるグラフ構造におけるコミュニティを特定し解析する。
テンポラル指向グラフ Laplacian は、有向および無向クラスタの時間経過に伴うクラスタ構造進化の明確な解釈を可能にすることを示す。
論文 参考訳（メタデータ） (2024-07-12T14:31:54Z) - Learning graphs and simplicial complexes from data [26.926502862698168]
利用可能なデータから基礎となるグラフトポロジを推定する新しい手法を提案する。
また、文献では2次simplicial Complex (SCs) として言及されている3-ノード相互作用を同定する。
合成および実世界のデータに対する実験結果から,既存手法と比較して,本手法の方が優れた性能を示した。
論文 参考訳（メタデータ） (2023-12-16T22:02:20Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳（メタデータ） (2023-11-29T12:48:33Z) - Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。
GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。
我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文 参考訳（メタデータ） (2023-05-18T06:17:50Z) - Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
既存の作業は、動的グラフを変更のシーケンスとして見るだけである。
動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。
頂点とエッジのタイムパン
組み込みにはタイムアウェアなTransformerが提案されている。
vertexの動的接続と学習へのToEs。
頂点表現
論文 参考訳（メタデータ） (2022-07-01T15:32:56Z) - Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。
本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。
この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
論文 参考訳（メタデータ） (2022-05-31T12:24:01Z) - 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 Networks with Spectral Message Passing [1.0742675209112622]
本稿では,空間領域とスペクトル領域の両方にメッセージパッシングを適用するSpectral Graph Networkを紹介する。
その結果,spectrum gnは効率のよいトレーニングを促進し,より多くのパラメータを持つにもかかわらず,少ないトレーニングイテレーションで高いパフォーマンスを達成できることがわかった。
論文 参考訳（メタデータ） (2020-12-31T21:33:17Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z) - 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。