論文の概要: Efficient Sparsification of Simplicial Complexes via Local Densities of States
- arxiv url: http://arxiv.org/abs/2502.07558v1
- Date: Tue, 11 Feb 2025 13:51:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:06:12.393273
- Title: Efficient Sparsification of Simplicial Complexes via Local Densities of States
- Title(参考訳): 状態の局所密度による単純コンプレックスの効率的なスペーシング
- Authors: Anton Savostianov, Michael T. Schaub, Nicola Guglielmi, Francesco Tudisco,
- Abstract要約: Simplicial Complex (SC) は、データ項目間の高次関係を考慮に入れた計算データのためのグラフモデルの一般化である。
多くの実世界のデータセットの分析により、多くの高次相互作用を持つ高密度のSCが生成される。
SCの確率的スパーシフアクションのための新しい手法を開発した。
- 参考スコア(独自算出の注目度): 8.830922974884531
- License:
- Abstract: Simplicial complexes (SCs), a generalization of graph models for relational data that account for higher-order relations between data items, have become a popular abstraction for analyzing complex data using tools from topological data analysis or topological signal processing. However, the analysis of many real-world datasets leads to dense SCs with a large number of higher-order interactions. Unfortunately, analyzing such large SCs often has a prohibitive cost in terms of computation time and memory consumption. The sparsification of such complexes, i.e., the approximation of an original SC with a sparser simplicial complex with only a log-linear number of high-order simplices while maintaining a spectrum close to the original SC, is of broad interest. In this work, we develop a novel method for a probabilistic sparsifaction of SCs. At its core lies the efficient computation of sparsifying sampling probability through local densities of states as functional descriptors of the spectral information. To avoid pathological structures in the spectrum of the corresponding Hodge Laplacian operators, we suggest a "kernel-ignoring" decomposition for approximating the sampling probability; additionally, we exploit error estimates to show asymptotically prevailing algorithmic complexity of the developed method. The performance of the framework is demonstrated on the family of Vietoris--Rips filtered simplicial complexes.
- Abstract(参考訳): Simplicial Complex (SCs)は、データ項目間の高次関係を考慮した関係データのためのグラフモデルの一般化であり、トポロジカルデータ分析やトポロジカル信号処理のツールを用いて複雑なデータを分析するための一般的な抽象化となっている。
しかし、多くの実世界のデータセットの分析は、多くの高次相互作用を持つ密度のSCをもたらす。
残念ながら、そのような大きなSCを解析することは、計算時間とメモリ消費の点でしばしば禁止的なコストがかかる。
そのような錯体のスパーシフィケーション、すなわち、元のSCに近接するスペクトルを維持しながら、対数線数の高い高次simpliceしか持たないスパーサsimplicial complexによる元のSCの近似は、幅広い関心を集めている。
本研究では,SCの確率的スパーシフアクションのための新しい手法を開発した。
中心となるのは、スペクトル情報の関数記述子として状態の局所密度を通してサンプリング確率をスパース化する効率的な計算である。
対応するホッジラプラシア作用素のスペクトルの病理構造を回避するために,サンプリング確率を近似するカーネル無視分解を提案する。
フレームワークの性能はVietoris-Ripsフィルタされた単純錯体の族上で実証される。
関連論文リスト
- Frequency-domain alignment of heterogeneous, multidimensional separations data through complex orthogonal Procrustes analysis [0.0]
多次元分離データには、複雑な生物学的サンプルに関する詳細な情報を明らかにする能力がある。
データ分析は、化学因子を表わすピークが、いくつかの分析実行の過程で漂流する可能性があるため、この分野で進行中の課題である。
この研究は、合成多次元分離データの周波数領域表現のProcrustes解析を通じて、アライメント問題に対する非常に単純な解を提供する。
論文 参考訳(メタデータ) (2025-02-18T12:14:14Z) - Generalized Simplicial Attention Neural Networks [22.171364354867723]
我々はGSAN(Generalized Simplicial Attention Neural Networks)を紹介する。
GSANは、マスク付き自己意図層を用いて、単純な複合体に生きるデータを処理する。
これらのスキームは、タスク指向の方法で、連続した順序の隣り合う単純さに関連するデータを組み合わせる方法を学ぶ。
論文 参考訳(メタデータ) (2023-09-05T11:29:25Z) - Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳(メタデータ) (2023-06-13T01:18:16Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳(メタデータ) (2021-10-28T14:59:41Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳(メタデータ) (2021-10-12T02:21:30Z) - Information-Theoretic Generalization Bounds for Iterative
Semi-Supervised Learning [81.1071978288003]
特に,情報理論の原理を用いて,反復型SSLアルゴリズムのエミュレータ一般化誤差の振る舞いを理解することを目的とする。
我々の理論的結果は、クラス条件分散があまり大きくない場合、一般化誤差の上限は反復数とともに単調に減少するが、すぐに飽和することを示している。
論文 参考訳(メタデータ) (2021-10-03T05:38:49Z) - Self-paced Principal Component Analysis [17.333976289539457]
本稿では,SPCA (Self-paced PCA) と呼ばれる新しい手法を提案する。
各サンプルの複雑さは、単純からより複雑なサンプルをトレーニングに統合するために、各イテレーションの開始時に計算されます。
論文 参考訳(メタデータ) (2021-06-25T20:50:45Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳(メタデータ) (2020-12-29T04:08:38Z) - Revisiting the Sample Complexity of Sparse Spectrum Approximation of
Gaussian Processes [60.479499225746295]
本稿では,ガウス過程に対して,パラメータ空間全体に対して同時に保持可能な保証付きスケーラブルな近似を導入する。
我々の近似は、スパーススペクトルガウス過程(SSGP)のための改良されたサンプル複雑性解析から得られる。
論文 参考訳(メタデータ) (2020-11-17T05:41:50Z) - Sparse Generalized Canonical Correlation Analysis: Distributed
Alternating Iteration based Approach [18.93565942407577]
Sparse Canonical correlation analysis (CCA) はスパース構造を用いた潜伏情報検出に有用な統計ツールである。
本稿では,多視点データとスパース構造との潜在関係を検出可能な一般標準相関解析(GCCA)を提案する。
論文 参考訳(メタデータ) (2020-04-23T05:53:48Z)
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。