論文の概要: LayoutGKN: Graph Similarity Learning of Floor Plans

• arxiv url: http://arxiv.org/abs/2509.03737v1
• Date: Wed, 03 Sep 2025 21:56:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:09.981807
• Title: LayoutGKN: Graph Similarity Learning of Floor Plans
• Title（参考訳）: LayoutGKN: 床計画のグラフ類似性学習
• Authors: Casper van Engelenburg, Jan van Gemert, Seyran Khademi,
• Abstract要約: グラフを比較する最も成功した方法は、高コストの中間グラフノードレベルの相互作用に依存する。 我々は、クロスグラフノードレベルの相互作用を延期するより効率的なアプローチである textbfGKN を導入する。 そこで,LayoutGKNはグラフマッチングネットワークよりも類似性を比較可能か優れていることを示す。
• 参考スコア（独自算出の注目度）: 11.388505978767627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Floor plans depict building layouts and are often represented as graphs to capture the underlying spatial relationships. Comparison of these graphs is critical for applications like search, clustering, and data visualization. The most successful methods to compare graphs \ie, graph matching networks, rely on costly intermediate cross-graph node-level interactions, therefore being slow in inference time. We introduce \textbf{LayoutGKN}, a more efficient approach that postpones the cross-graph node-level interactions to the end of the joint embedding architecture. We do so by using a differentiable graph kernel as a distance function on the final learned node-level embeddings. We show that LayoutGKN computes similarity comparably or better than graph matching networks while significantly increasing the speed. \href{https://github.com/caspervanengelenburg/LayoutGKN}{Code and data} are open.
• Abstract（参考訳）: フロアプランは建築レイアウトを描いており、基礎となる空間関係を捉えるグラフとして表されることが多い。 これらのグラフの比較は、検索、クラスタリング、データビジュアライゼーションといったアプリケーションにとって重要である。 グラフを比較する最も成功した手法であるグラフマッチングネットワークは、高コストで中間的なクロスグラフノードレベルの相互作用に依存しているため、推論時間が遅い。 本稿では,結合埋め込みアーキテクチャの終端にクロスグラフノードレベルの相互作用を延期する,より効率的なアプローチである‘textbf{LayoutGKN} を紹介する。 最終学習ノードレベルの埋め込みにおける距離関数として、微分可能なグラフカーネルを用いる。 そこで,LayoutGKNはグラフマッチングネットワークよりも類似性を比較可能あるいは良好に計算し,速度を大幅に向上することを示す。 \href{https://github.com/caspervanengelenburg/LayoutGKN}{Code and data} がオープンである。

関連論文リスト

• Neural Network Graph Similarity Computation Based on Graph Fusion [0.4681661603096334]
  本稿では,グラフ融合と呼ばれる並列グラフ相互作用手法を導入することで,そのアプローチに革命をもたらす。 グラフペア間の類似度をグラフレベルとノードレベルに分けて評価する。 本モデルは,グラフとグラフの分類および回帰作業において,主要なベースラインモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-02-25T15:28:41Z)
• Learning on Large Graphs using Intersecting Communities [13.053266613831447]
  MPNNは、各ノードの隣人からのメッセージを集約することで、入力グラフ内の各ノードの表現を反復的に更新する。 MPNNは、あまりスパースではないため、すぐに大きなグラフの禁止になるかもしれない。 本稿では,入力グラフを交差するコミュニティグラフ (ICG) として近似することを提案する。
  論文  参考訳（メタデータ） (2024-05-31T09:26:26Z)
• Graph Mixup with Soft Alignments [49.61520432554505]
  本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。 ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
  論文  参考訳（メタデータ） (2023-06-11T22:04:28Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• 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)
• 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)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Wasserstein Embedding for Graph Learning [33.90471037116372]
  Wasserstein Embedding for Graph Learning (WEGL)は、グラフ全体をベクトル空間に埋め込むフレームワークである。 グラフ間の類似性をノード埋め込み分布間の類似性の関数として定義する上で,新たな知見を活用する。 各種ベンチマークグラフ固有性予測タスクにおける新しいグラフ埋め込み手法の評価を行った。
  論文  参考訳（メタデータ） (2020-06-16T18:23:00Z)

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。