論文の概要: Multi-Output Gaussian Processes for Graph-Structured Data

• arxiv url: http://arxiv.org/abs/2505.16755v1
• Date: Thu, 22 May 2025 14:59:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.378347
• Title: Multi-Output Gaussian Processes for Graph-Structured Data
• Title（参考訳）: グラフ構造化データの多出力ガウス過程
• Authors: Ayano Nakai-Kasai, Tadashi Wadayama,
• Abstract要約: 本稿では,多出力ガウス過程(MOGP)に基づくグラフ構造化データの回帰手法を提案する。 提案した定式化はMOGPの定義に基づいている。 カーネル設計の柔軟性のため、表現力が高い。
• 参考スコア（独自算出の注目度）: 9.330780753057821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-structured data is a type of data to be obtained associated with a graph structure where vertices and edges describe some kind of data correlation. This paper proposes a regression method on graph-structured data, which is based on multi-output Gaussian processes (MOGP), to capture both the correlation between vertices and the correlation between associated data. The proposed formulation is built on the definition of MOGP. This allows it to be applied to a wide range of data configurations and scenarios. Moreover, it has high expressive capability due to its flexibility in kernel design. It includes existing methods of Gaussian processes for graph-structured data as special cases and is possible to remove restrictions on data configurations, model selection, and inference scenarios in the existing methods. The performance of extensions achievable by the proposed formulation is evaluated through computer experiments with synthetic and real data.
• Abstract（参考訳）: グラフ構造化データ(Graph-structured data)は、頂点とエッジが何らかの種類のデータ相関を記述するグラフ構造に関連付けられたデータの一種である。 本稿では,多出力ガウス過程(MOGP)に基づくグラフ構造化データに対する回帰手法を提案する。 提案した定式化はMOGPの定義に基づいている。 これにより、幅広いデータ構成やシナリオに適用できる。 さらに、カーネル設計の柔軟性のため、高い表現能力を持つ。 グラフ構造化データに対するガウス的プロセスの既存のメソッドを特別なケースとして含み、既存のメソッドにおけるデータ構成、モデル選択、推論シナリオの制限を取り除くことができる。 提案した定式化により達成可能な拡張の性能は,合成および実データを用いたコンピュータ実験により評価される。

関連論文リスト

• Heterogeneous Graph Structure Learning through the Lens of Data-generating Processes [11.774563966512709]
  観測データからグラフ構造を推定することは、グラフ機械学習における重要なタスクである。 本稿ではヘテロジニアスグラフ構造学習(HGSL)の最初のアプローチを紹介する。
  論文  参考訳（メタデータ） (2025-03-11T16:14:53Z)
• Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
  グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。 本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。 我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
  論文  参考訳（メタデータ） (2024-11-08T17:40:43Z)
• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• 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)
• Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
  異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。 MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。 モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
  論文  参考訳（メタデータ） (2023-08-29T15:01:01Z)
• 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)
• Latent Graph Inference using Product Manifolds [0.0]
  遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。 我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-11-26T22:13:06Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Joint Gaussian Graphical Model Estimation: A Survey [31.811209829224293]
  複雑なシステムからのグラフは、個々の特徴を維持しながらドメイン全体の部分的な基盤構造を共有することが多い。 成長する証拠は、ドメイン間の共有構造がグラフの推定能力を高めることを示している。 共同ガウス図形モデルの統計的推測に関する最近の研究を概観する。
  論文  参考訳（メタデータ） (2021-10-19T21:56:27Z)

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。