論文の概要: Multistage non-deterministic classification using secondary concept graphs and graph convolutional networks for high-level feature extraction

• arxiv url: http://arxiv.org/abs/2411.06212v1
• Date: Sat, 09 Nov 2024 15:28:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:11:35.580055
• Title: Multistage non-deterministic classification using secondary concept graphs and graph convolutional networks for high-level feature extraction
• Title（参考訳）: 二次概念グラフとグラフ畳み込みネットワークを用いた高レベル特徴抽出のための多段階非決定論的分類
• Authors: Masoud Kargar, Nasim Jelodari, Alireza Assadzadeh,
• Abstract要約: 多様なトピックを持つドメインでは、グラフ表現は特徴間の相互関係を示す。 達成にもかかわらず、9つの決定論的クラスを予測および割り当てすることは、しばしばエラーを伴う。 二次概念グラフとグラフ畳み込みネットワークに基づく多段階非決定論的分類法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Graphs, comprising nodes and edges, visually depict relationships and structures, posing challenges in extracting high-level features due to their intricate connections. Multiple connections introduce complexities in discovering patterns, where node weights may affect some features more than others. In domains with diverse topics, graph representations illustrate interrelations among features. Pattern discovery within graphs is recognized as NP-hard. Graph Convolutional Networks (GCNs) are a prominent deep learning approach for acquiring meaningful representations by leveraging node connectivity and characteristics. Despite achievements, predicting and assigning 9 deterministic classes often involves errors. To address this challenge, we present a multi-stage non-deterministic classification method based on a secondary conceptual graph and graph convolutional networks, which includes distinct steps: 1) leveraging GCN for the extraction and generation of 12 high-level features: 2) employing incomplete, non-deterministic models for feature extraction, conducted before reaching a definitive prediction: and 3) formulating definitive forecasts grounded in conceptual (logical) graphs. The empirical findings indicate that our proposed approach outperforms contemporary methods in classification tasks. Across three datasets Cora, Citeseer, and PubMed the achieved accuracies are 96%, 93%, and 95%, respectively. Code is available at https://github.com/MasoudKargar.
• Abstract（参考訳）: ノードとエッジで構成されるグラフは、関係や構造を視覚的に表現し、複雑な接続のために高レベルの特徴を抽出する上での課題を提起する。 複数の接続は、ノードの重みが他のものよりも機能に影響を及ぼす可能性のあるパターンの発見において複雑さをもたらす。 多様なトピックを持つドメインでは、グラフ表現は特徴間の相互関係を示す。 グラフ内のパターン発見はNPハードとして認識される。 グラフ畳み込みネットワーク(GCN)は、ノード接続性と特性を活用することで意味のある表現を得るための顕著なディープラーニングアプローチである。 達成にもかかわらず、9つの決定論的クラスを予測および割り当てすることは、しばしばエラーを伴う。 この課題に対処するために,2次概念グラフとグラフ畳み込みネットワークに基づく多段階非決定論的分類手法を提案する。 1)GCNを利用して12の高次特徴を抽出・生成する。 2 特徴抽出のための不完全非決定論的モデルを用いて、確定的な予測に達する前に行うこと。 3)概念的(論理的)グラフに基づく決定的予測の定式化。 実験結果から,本手法は分類タスクにおいて,現代の手法よりも優れていたことが示唆された。 Cora、Citeseer、PubMedの3つのデータセットの合計は、それぞれ96%、93%、95%である。 コードはhttps://github.com/MasoudKargar.comで入手できる。

関連論文リスト

• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• A Simple and Scalable Graph Neural Network for Large Directed Graphs [11.792826520370774]
  入力グラフ内のノード表現とエッジ方向認識の様々な組み合わせについて検討する。 そこで本研究では,A2DUGを簡易かつ包括的に分類する手法を提案する。 我々は、A2DUGが様々なデータセットで安定して動作し、最先端の手法と比較して11.29まで精度が向上することを示した。
  論文  参考訳（メタデータ） (2023-06-14T06:24:58Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• GRATIS: Deep Learning Graph Representation with Task-specific Topology and Multi-dimensional Edge Features [27.84193444151138]
  第1次汎用グラフ表現学習フレームワーク(GRATIS)を提案する。 任意の入力からタスク固有のトポロジーとタスク固有の多次元エッジ特徴を持つ強力なグラフ表現を生成することができる。 私たちのフレームワークは効率的で堅牢で柔軟性があり、異なるバックボーンとグラフニューラルネットワーク(GNN)を組み合わせたプラグイン・アンド・プレイモジュールです。
  論文  参考訳（メタデータ） (2022-11-19T18:42:55Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
  本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。 ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。 各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
  論文  参考訳（メタデータ） (2020-06-09T16:33:49Z)

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。