Fugu-MT 論文翻訳(概要): Graph Classification Gaussian Processes via Hodgelet Spectral Features

論文の概要: Graph Classification Gaussian Processes via Hodgelet Spectral Features

arxiv url: http://arxiv.org/abs/2410.10546v3
Date: Thu, 05 Dec 2024 21:50:27 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-09 15:54:28.860439
Title: Graph Classification Gaussian Processes via Hodgelet Spectral Features
Title（参考訳）: ホッジレットスペクトル特徴によるガウス過程のグラフ分類
Authors: Mathieu Alain, So Takao, Xiaowen Dong, Bastian Rieck, Emmanuel Noutahi,
Abstract要約: 本稿では,グラフの分類のためのプロセスベース分類アルゴリズムを提案する。私たちはHodge分解を利用して、頂点とエッジの複雑なリッチさをよりよく捉えます。
参考スコア（独自算出の注目度）: 18.356495042963267
License:
Abstract: The problem of classifying graphs is ubiquitous in machine learning. While it is standard to apply graph neural networks or graph kernel methods, Gaussian processes can be employed by transforming spatial features from the graph domain into spectral features in the Euclidean domain, and using them as the input points of classical kernels. However, this approach currently only takes into account features on vertices, whereas some graph datasets also support features on edges. In this work, we present a Gaussian process-based classification algorithm that can leverage one or both vertex and edges features. Furthermore, we take advantage of the Hodge decomposition to better capture the intricate richness of vertex and edge features, which can be beneficial on diverse tasks.
Abstract（参考訳）: グラフを分類する問題は、機械学習においてユビキタスである。グラフニューラルネットワークやグラフカーネル手法を適用するのが一般的であるが、ガウス過程は、グラフ領域からユークリッド領域のスペクトル特徴へ空間的特徴を変換し、それらを古典的なカーネルの入力ポイントとして利用する。しかしながら、このアプローチは現在、頂点上の機能のみを考慮に入れているが、グラフデータセットの中には、エッジ上の機能もサポートしているものもある。本研究では,頂点と辺の両方の機能を利用するガウス過程に基づく分類アルゴリズムを提案する。さらに、Hodge分解を利用して、頂点とエッジの複雑なリッチさをよりよく捉え、多様なタスクに役立ちます。

関連論文リスト

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)
Graph Classification Gaussian Processes via Spectral Features [7.474662887810221]
グラフ分類は、その構造とノード属性に基づいてグラフを分類することを目的としている。本研究では,スペクトル特徴を導出するグラフ信号処理ツールを用いて,この課題に取り組むことを提案する。このような単純なアプローチであっても、学習されたパラメータがなくても、強力なニューラルネットワークやグラフカーネルのベースラインと比較して、競争力のあるパフォーマンスが得られることを示す。
論文参考訳（メタデータ） (2023-06-06T15:31:05Z)
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)
Learning Heuristics for the Maximum Clique Enumeration Problem Using Low Dimensional Representations [0.0]
本稿では,最大列挙問題の傾きを低減するために,入力グラフのプルーニング処理に学習フレームワークを用いる。本手法の性能評価において,異なる頂点表現を用いることが果たす役割について検討する。分類過程において局所的なグラフ特徴を用いることで,特徴の除去過程と組み合わせることで,より正確な結果が得られることが観察された。
論文参考訳（メタデータ） (2022-10-30T22:04:32Z)
Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文参考訳（メタデータ） (2021-12-14T14:48:08Z)
Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文参考訳（メタデータ） (2021-06-26T06:24:51Z)
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)
Mat\'ern Gaussian Processes on Graphs [67.13902825728718]
我々は、マタン・ガウス過程の偏微分方程式のキャラクタリゼーションを利用して、そのアナログを無向グラフに対して研究する。得られたガウス過程がユークリッドアナログやユークリッドアナログの様々な魅力的な性質を継承することを示す。これにより、グラフのMat'ern Gaussianプロセスがミニバッチや非共役設定に使用できる。
論文参考訳（メタデータ） (2020-10-29T13:08:07Z)
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)
Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文参考訳（メタデータ） (2020-05-16T04:44:29Z)

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。