論文の概要: A family of graph GOSPA metrics for graphs with different sizes

• arxiv url: http://arxiv.org/abs/2506.17316v1
• Date: Wed, 18 Jun 2025 13:45:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.342083
• Title: A family of graph GOSPA metrics for graphs with different sizes
• Title（参考訳）: 異なる大きさのグラフに対するグラフGOSPAメトリクスの一家系
• Authors: Jinhao Gu, Ángel F. García-Fernández, Robert E. Firth, Lennart Svensson,
• Abstract要約: 提案した計量族は、グラフ一般化最適部分パターン代入(GOSPA)計量の一般的な形式を定義する。 提案されたメトリクスの族は、グラフ GOSPA メトリックよりもエッジミスマッチに対してより一般的な罰を与える。 分類タスクのためのグラフGOSPAメトリックファミリーの利点は、実世界のデータセットにも示されている。
• 参考スコア（独自算出の注目度）: 3.8823562292981393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a family of graph metrics for measuring distances between graphs of different sizes. The proposed metric family defines a general form of the graph generalised optimal sub-pattern assignment (GOSPA) metric and is also proved to satisfy the metric properties. Similarly to the graph GOSPA metric, the proposed graph GOSPA metric family also penalises the node attribute costs for assigned nodes between the two graphs, and the number of unassigned nodes. However, the proposed family of metrics provides more general penalties for edge mismatches than the graph GOSPA metric. This paper also shows that the graph GOSPA metric family can be approximately computed using linear programming. Simulation experiments are performed to illustrate the characteristics of the proposed graph GOSPA metric family with different choices of hyperparameters. The benefits of the proposed graph GOSPA metric family for classification tasks are also shown on real-world datasets.
• Abstract（参考訳）: 本稿では,異なる大きさのグラフ間の距離を測定するためのグラフメトリクスのファミリを提案する。 提案した計量族は、グラフ一般化最適部分パターン代入(GOSPA)計量の一般的な形式を定義し、計量特性も満足することが証明されている。 グラフGOSPAメートル法と同様に、提案されたグラフGOSPAメートル法は、2つのグラフ間の割り当てられたノードのノード属性コストと、割り当てられていないノードの数も考慮する。 しかし、提案されたメトリクスの族は、グラフ GOSPA メトリックよりもエッジミスマッチに対してより一般的な罰を与える。 本稿では,グラフ GOSPA 計量族を線形計画法により近似計算できることを示す。 ハイパーパラメータの選択の異なるグラフGOSPAメトリックファミリーの特性をシミュレーション実験により明らかにした。 分類タスクのためのグラフGOSPAメトリックファミリーの利点は、実世界のデータセットにも示されている。

関連論文リスト

• Geodesic Distance Between Graphs: A Spectral Metric for Assessing the Stability of Graph Neural Networks [4.110108749051657]
  グラフニューラルネットワーク(GNN)の一般化と安定性を評価するためのグラフ測地距離(GGD)メトリクスを導入する。 提案したGGD測度は、2つのグラフ間の相違性を重要構造(スペクトル)特性の相違をカプセル化することにより効果的に定量化できることを示す。 提案したGGD測定値は,特に部分ノードの特徴のみが利用可能である場合,GNNの安定性評価の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-06-15T04:47:40Z)
• Graph GOSPA metric: a metric to measure the discrepancy between graphs of different sizes [3.8823562292981393]
  本稿では,ノード数が異なる可能性のあるグラフ間の相似性を測定する指標を提案する。 提案したグラフGOSPAメトリクスは、適切に割り当てられたノード、ミスノード、偽ノード、グラフ間のエッジミスマッチに対するノード属性エラーに関連するコストを含む。
  論文  参考訳（メタデータ） (2023-11-10T11:40:24Z)
• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• Tree Mover's Distance: Bridging Graph Metrics and Stability of Graph Neural Networks [54.225220638606814]
  本稿では,属性グラフの擬似測度,ツリー・モーバー距離(TMD)を提案し,その一般化との関係について検討する。 まず、TMDはグラフ分類に関連する特性をキャプチャし、単純なTMD-SVMは標準のGNNと競合することを示す。 第2に、分散シフトの下でのGNNの一般化とTMDを関連付け、そのようなシフト下での性能低下とよく相関していることを示す。
  論文  参考訳（メタデータ） (2022-10-04T21:03:52Z)
• Embedding Graphs on Grassmann Manifold [31.42901131602713]
  本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。 EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
  論文  参考訳（メタデータ） (2022-05-30T12:56:24Z)
• Dissecting graph measure performance for node clustering in LFR parameter space [2.445911003610726]
  パラメータの異なるグラフに対する25のグラフ測度の性能について検討する。 LFRパラメータ空間全体をカバーする11780グラフのデータセットを作成する。 パラメータ空間は、ある特定の測度が最良である異なるゾーンから構成されていることが分かる。
  論文  参考訳（メタデータ） (2022-02-20T14:52:52Z)
• GraphDCA -- a Framework for Node Distribution Comparison in Real and Synthetic Graphs [72.51835626235368]
  2つのグラフを比較するとき、ノード構造的特徴の分布は、グローバルグラフ統計よりも有益である、と我々は主張する。 本稿では,各ノード表現セットのアライメントに基づいてグラフ間の類似性を評価するフレームワークGraphDCAを提案する。
  論文  参考訳（メタデータ） (2022-02-08T14:19:19Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。