論文の概要: Online Graph Filtering Over Expanding Graphs

• arxiv url: http://arxiv.org/abs/2409.07204v1
• Date: Wed, 11 Sep 2024 11:50:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-12 14:49:40.608366
• Title: Online Graph Filtering Over Expanding Graphs
• Title（参考訳）: 拡張グラフによるオンライングラフフィルタリング
• Authors: Bishwadeep Das, Elvin Isufi,
• Abstract要約: オンライン学習の原則に依存するオンライングラフフィルタリングフレームワークを提案する。 このような進化に適応した学習者を含む、トポロジが知られ、未知のシナリオのためのフィルタを設計する。 我々は,オンラインアルゴリズムやフィルタ順序,成長するグラフモデルなど,さまざまなコンポーネントが果たす役割を強調するために,後悔の意を表す分析を行う。
• 参考スコア（独自算出の注目度）: 14.594691605523005
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Graph filters are a staple tool for processing signals over graphs in a multitude of downstream tasks. However, they are commonly designed for graphs with a fixed number of nodes, despite real-world networks typically grow over time. This topological evolution is often known up to a stochastic model, thus, making conventional graph filters ill-equipped to withstand such topological changes, their uncertainty, as well as the dynamic nature of the incoming data. To tackle these issues, we propose an online graph filtering framework by relying on online learning principles. We design filters for scenarios where the topology is both known and unknown, including a learner adaptive to such evolution. We conduct a regret analysis to highlight the role played by the different components such as the online algorithm, the filter order, and the growing graph model. Numerical experiments with synthetic and real data corroborate the proposed approach for graph signal inference tasks and show a competitive performance w.r.t. baselines and state-of-the-art alternatives.
• Abstract（参考訳）: グラフフィルタは、下流のタスクでグラフ上の信号を処理するための基本的なツールである。 しかし、現実のネットワークは通常、時間とともに成長するにもかかわらず、ノード数が一定であるグラフのために設計されている。 このトポロジ的進化はしばしば確率的モデルによって知られており、従来のグラフフィルタはそのようなトポロジ的変化、不確実性、および入ってくるデータの動的性質に不適合である。 これらの課題に対処するために,オンライン学習の原則に依存するオンライングラフフィルタリングフレームワークを提案する。 このような進化に適応した学習者を含む、トポロジが知られ、未知のシナリオのためのフィルタを設計する。 我々は,オンラインアルゴリズムやフィルタ順序,成長するグラフモデルなど,さまざまなコンポーネントが果たす役割を強調するために,後悔の意を表す分析を行う。 合成および実データを用いた数値実験は、グラフ信号推論タスクの提案した手法を相関させ、競争性能w.r.t.ベースラインと最先端の代替技術を示す。

関連論文リスト

• Fairness-aware Optimal Graph Filter Design [25.145533328758614]
  グラフは、複雑な現実世界の相互接続システムを表現するために使用できる数学的ツールである。 グラフ上の機械学習(ML)は、最近大きな注目を集めている。 グラフ信号処理からの洞察を借りて,グラフ学習におけるバイアス緩和の問題を新たに検討する。
  論文  参考訳（メタデータ） (2023-10-22T22:40:40Z)
• Fairness-Aware Graph Filter Design [19.886840347109285]
  グラフは、複雑な現実世界のシステムを表現するために使用できる数学的ツールである。 グラフ上の機械学習(ML)は、すでに存在するグループに対する偏見を増幅する。 本稿では,グラフに基づく学習タスクに多用できる公正なグラフフィルタを提案する。
  論文  参考訳（メタデータ） (2023-03-20T21:31:51Z)
• Online Filtering over Expanding Graphs [14.84852576248587]
  本稿では,オンライン機械学習の原理に基づいて,フィルタのオンライン更新を提案する。 受信ノードにおける信号に対する手法の性能を示す。 これらの発見は、グラフの拡張よりも効率的なフィルタリングの基礎を築いた。
  論文  参考訳（メタデータ） (2023-01-17T14:07:52Z)
• 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)
• Graph Filters for Signal Processing and Machine Learning on Graphs [83.29608206147515]
  グラフフィルタの包括的概要として、異なるフィルタリングカテゴリ、各タイプの設計戦略、異なるタイプのグラフフィルタ間のトレードオフなどを挙げる。 グラフフィルタをフィルタバンクやグラフニューラルネットワークに拡張して表現力を高める方法について論じる。 本稿の目的は、初心者と経験者の両方に統一的なフレームワークを提供することと、共通の理解を提供することです。
  論文  参考訳（メタデータ） (2022-11-16T11:56:45Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• 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)
• A User Guide to Low-Pass Graph Signal Processing and its Applications [31.90359683602266]
  低域グラフフィルタの特性を活用してグラフトポロジを学習するか,コミュニティ構造を同定するかを示す。 グラフデータをサンプリングし、欠落した測定値を復元し、ノイズを除去することでグラフデータを表現する方法を解説する。
  論文  参考訳（メタデータ） (2020-08-04T03:27:17Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。