Fugu-MT 論文翻訳(概要): Joint Data Inpainting and Graph Learning via Unrolled Neural Networks

論文の概要: Joint Data Inpainting and Graph Learning via Unrolled Neural Networks

arxiv url: http://arxiv.org/abs/2407.11429v1
Date: Tue, 16 Jul 2024 06:46:41 GMT
ステータス: 処理完了
システム内更新日: 2024-07-17 16:22:29.729249
Title: Joint Data Inpainting and Graph Learning via Unrolled Neural Networks
Title（参考訳）: Unrolled Neural Networksによる共同データ塗装とグラフ学習
Authors: Subbareddy Batreddy, Pushkal Mishra, Yaswanth Kakarla, Aditya Siripuram,
Abstract要約: 基礎となるグラフトポロジと欠測値の両方を推定するアルゴリズムを提案する。提案手法はグラフ学習とグラフ信号再構成アルゴリズムの両方に利用できる。
参考スコア（独自算出の注目度）: 1.8999296421549168
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Given partial measurements of a time-varying graph signal, we propose an algorithm to simultaneously estimate both the underlying graph topology and the missing measurements. The proposed algorithm operates by training an interpretable neural network, designed from the unrolling framework. The proposed technique can be used both as a graph learning and a graph signal reconstruction algorithm. This work enhances prior work in graph signal reconstruction by allowing the underlying graph to be unknown; and also builds on prior work in graph learning by tailoring the learned graph to the signal reconstruction task.
Abstract（参考訳）: 時間変化グラフ信号の部分的な測定を考慮し、基礎となるグラフトポロジと欠測値の両方を同時に推定するアルゴリズムを提案する。提案アルゴリズムは、アンローリングフレームワークから設計された解釈可能なニューラルネットワークをトレーニングすることによって動作する。提案手法はグラフ学習とグラフ信号再構成アルゴリズムの両方に利用できる。この研究は、基礎となるグラフを未知にすることで、グラフ信号再構成における先行作業を強化するとともに、学習したグラフを信号再構成タスクに合わせることにより、グラフ学習における先行作業を構築する。

関連論文リスト

Knowledge Probing for Graph Representation Learning [12.960185655357495]
グラフ表現学習において,グラフ学習手法のファミリーが異なるレベルの知識を符号化したかどうかを調査・解釈するための新しいグラフ探索フレームワーク(GraphProbe)を提案する。グラフの固有の性質に基づいて,異なる視点からグラフ表現学習過程を体系的に研究する3つのプローブを設計する。本研究では、ランダムウォークに基づく9つの代表的なグラフ学習手法、基本グラフニューラルネットワーク、自己教師付きグラフ手法を用いて、詳細な評価ベンチマークを構築し、ノード分類、リンク予測、グラフ分類のための6つのベンチマークデータセットでそれらを探索する。
論文参考訳（メタデータ） (2024-08-07T16:27:45Z)
A Topology-aware Graph Coarsening Framework for Continual Graph Learning [8.136809136959302]
グラフに関する継続的な学習は、グラフデータがストリーミング形式で到着するグラフニューラルネットワーク(GNN)のトレーニングに対処する。 Experience Replayのような従来の継続的学習戦略は、ストリーミンググラフに適応することができる。本稿では, TA$mathbbCO$, a (t)opology-(a)ware graph (co)arsening and (co)ntinual learning frameworkを提案する。
論文参考訳（メタデータ） (2024-01-05T22:22:13Z)
Joint Signal Recovery and Graph Learning from Incomplete Time-Series [24.308357458676937]
本研究では,不完全な時系列観測からグラフを学習することを目的とする。逐次上向き最小化をブロックする手法に基づくアルゴリズムを提案する。合成時系列と実時間時系列のシミュレーション結果から,提案手法の性能を実証した。
論文参考訳（メタデータ） (2023-12-28T10:27:04Z)
Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。近年の研究では、グラフ表現学習における事前学習の有用性が示されている。本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文参考訳（メタデータ） (2023-02-06T16:26:29Z)
State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文参考訳（メタデータ） (2023-01-14T09:15:49Z)
Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文参考訳（メタデータ） (2022-05-19T14:08:15Z)
Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文参考訳（メタデータ） (2020-10-20T05:54:31Z)
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)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。