論文の概要: Towards joint graph learning and sampling set selection from data

• arxiv url: http://arxiv.org/abs/2412.09753v2
• Date: Mon, 16 Dec 2024 20:35:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 13:56:51.764890
• Title: Towards joint graph learning and sampling set selection from data
• Title（参考訳）: 共同グラフ学習とデータからのサンプリングセット選択に向けて
• Authors: Shashank N. Sridhara, Eduardo Pavez, Antonio Ortega,
• Abstract要約: グラフ構造が事前に定義されていないシナリオにおいて,グラフ信号をサンプリングする問題について検討する。 既存のアプローチは、2段階のプロセスに依存しており、まずグラフを学習し、次にサンプリングする。 この研究は、グラフ構造とサンプリングセットを共同最適化するための基礎的なステップを提供する。
• 参考スコア（独自算出の注目度）: 27.52699981080567
• License:
• Abstract: We explore the problem of sampling graph signals in scenarios where the graph structure is not predefined and must be inferred from data. In this scenario, existing approaches rely on a two-step process, where a graph is learned first, followed by sampling. More generally, graph learning and graph signal sampling have been studied as two independent problems in the literature. This work provides a foundational step towards jointly optimizing the graph structure and sampling set. Our main contribution, Vertex Importance Sampling (VIS), is to show that the sampling set can be effectively determined from the vertex importance (node weights) obtained from graph learning. We further propose Vertex Importance Sampling with Repulsion (VISR), a greedy algorithm where spatially -separated "important" nodes are selected to ensure better reconstruction. Empirical results on simulated data show that sampling using VIS and VISR leads to competitive reconstruction performance and lower complexity than the conventional two-step approach of graph learning followed by graph sampling.
• Abstract（参考訳）: グラフ構造が事前に定義されておらず、データから推測しなければならないシナリオにおいて、グラフ信号をサンプリングする問題について検討する。 このシナリオでは、既存のアプローチは2段階のプロセスに依存し、まずグラフを学習し、次にサンプリングする。 より一般に、グラフ学習とグラフ信号サンプリングは、文献において2つの独立した問題として研究されている。 この研究は、グラフ構造とサンプリングセットを共同最適化するための基礎的なステップを提供する。 我々の主な貢献であるVertex Importance Smpling(VIS)は、グラフ学習から得られる頂点重要性(ノード重み)からサンプリングセットを効果的に決定できることである。 さらに、空間的に分離された「重要」ノードが選択され、より良い再構築が保証されるグレーディアルゴリズムであるVertex Importance Smpling with Repulsion (VISR)を提案する。 シミュレーションデータを用いた実験結果から,VISとVISRを用いたサンプリングは,従来の2段階のグラフ学習とグラフサンプリングと比べ,競合する再構成性能と複雑性を低下させることが示された。

関連論文リスト

• Mitigating Label Noise on Graph via Topological Sample Selection [72.86862597508077]
  トポロジ情報を活用することで,グラフ内の情報的サンプル選択プロセスを促進できる$textitTopological Sample Selection$ (TSS)法を提案する。 提案手法は,対象のクリーン分布下での予測されるリスク上限の上限を最小化し,最先端のベースラインと比較して,提案手法の優位性を実験的に示す。
  論文  参考訳（メタデータ） (2024-03-04T11:24:51Z)
• A Poincaré Inequality and Consistency Results for Signal Sampling on Large Graphs [34.99659089854587]
  グラフ制限の一種であるグラフオンに対する信号サンプリング理論を導入する。 収束グラフ列上の一意なサンプリング集合は、グラフオン上の一意なサンプリング集合に収束することを示す。 そこで我々は,大規模グラフに対する関連するグラフ信号サンプリングアルゴリズムを提案し,グラフ機械学習タスクにおいて,その優れた経験的性能を示す。
  論文  参考訳（メタデータ） (2023-11-17T16:04:31Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Entropy Neural Estimation for Graph Contrastive Learning [9.032721248598088]
  グラフ上のコントラスト学習は、ノードの区別可能な高レベル表現を抽出することを目的としている。 本稿では,データセットのビュー間のペアワイズ表現を対比する,単純かつ効果的なサブセットサンプリング戦略を提案する。 7つのグラフベンチマークで広範な実験を行い、提案手法は競合性能を実現する。
  論文  参考訳（メタデータ） (2023-07-26T03:55:08Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Semi-supervised Superpixel-based Multi-Feature Graph Learning for Hyperspectral Image Data [0.0]
  超スペクトル画像(hsi)データの非常に限られた量のラベル付きデータに照らして分類するための新しい枠組みを提案する。 HSIデータのための多段階エッジ効率半教師付きグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-27T15:36:26Z)
• Recognizing Predictive Substructures with Subgraph Information Bottleneck [97.19131149357234]
  IB-subgraph というサブグラフを認識するための新しいサブグラフ情報ボトルネック(SIB)フレームワークを提案する。 相互情報の抽出性とグラフデータの離散的性質は、SIBの目的を最適化することが難しいことで知られている。 グラフ学習と大規模ポイントクラウドタスクの実験は、ib-subgraphの優れた特性を示している。
  論文  参考訳（メタデータ） (2021-03-20T11:19:43Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)

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。