Fugu-MT 論文翻訳(概要): Time-Frequency Filtering Meets Graph Clustering

論文の概要: Time-Frequency Filtering Meets Graph Clustering

arxiv url: http://arxiv.org/abs/2510.07503v1
Date: Wed, 08 Oct 2025 19:58:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-10 17:54:14.70977
Title: Time-Frequency Filtering Meets Graph Clustering
Title（参考訳）: 時間周波数フィルタリングとグラフクラスタリング
Authors: Marcelo A. Colominas, Stefan Steinerberger, Hau-Tieng Wu,
Abstract要約: 時間周波数表現から異なる信号成分を識別する問題はグラフクラスタリング問題と等価に表現できることを示す。グラフクラスタリング問題はよく研究されており、これらのアイデアが信号成分を識別する新しい方法を提案する(多くの)方法を示している。
参考スコア（独自算出の注目度）: 3.9120263184936985
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We show that the problem of identifying different signal components from a time-frequency representation can be equivalently phrased as a graph clustering problem: given a graph $G=(V,E)$ one aims to identify `clusters', subgraphs that are strongly connected and have relatively few connections between them. The graph clustering problem is well studied, we show how these ideas can suggest (many) new ways to identify signal components. Numerical experiments illustrate the ideas.
Abstract（参考訳）: グラフ $G=(V,E)$ 1 は 'clusters' を識別することを目的としており、その間の接続は比較的少ない。グラフクラスタリング問題はよく研究されており、これらのアイデアが信号成分を識別する新しい方法を提案する(多くの)方法を示している。数値実験はアイデアを例証する。

関連論文リスト

Tensor-based Graph Learning with Consistency and Specificity for Multi-view Clustering [20.925436328405574]
一貫性と特異性を同時に検討する新しい多視点グラフ学習フレームワークを提案する。我々は、ノイズフリーグラフ融合のための新しいテンソルベースのターゲットグラフ学習パラダイムを定式化する。 6つのデータセットの実験により,本手法の優位性を実証した。
論文参考訳（メタデータ） (2024-03-27T09:30:50Z)
Kernel-based Joint Multiple Graph Learning and Clustering of Graph Signals [2.4305626489408465]
本稿では, Kernel-based Joint Multiple GL and clustering of graph signal applicationを紹介する。実験により、KMGLは、特に高騒音レベルのシナリオにおいて、GLクラスタリングの堅牢性を大幅に向上することが示された。これらの知見は,様々な実世界のアプリケーションにおいて,グラフ信号処理法の性能向上のためのKMGLの可能性を明らかにするものである。
論文参考訳（メタデータ） (2023-10-29T13:41:12Z)
Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文参考訳（メタデータ） (2023-05-18T07:27:18Z)
Deep Graph-Level Clustering Using Pseudo-Label-Guided Mutual Information Maximization Network [31.38584638254226]
我々は、グラフの集合を異なるグループに分割する問題を、同じグループのグラフが類似しているのに対して、異なるグループのグラフが異なるように研究する。この問題を解決するために,Deep Graph-Level Clustering (DGLC) と呼ばれる新しい手法を提案する。 DGLCはグラフレベルの表現学習とグラフレベルのクラスタリングをエンドツーエンドで実現しています。
論文参考訳（メタデータ） (2023-02-05T12:28:08Z)
Variational Graph Generator for Multi-View Graph Clustering [51.89092260088973]
マルチビューグラフクラスタリング(VGMGC)のための変分グラフ生成器を提案する。この生成器は、複数のグラフに対する事前仮定に基づいて、信頼性のある変分コンセンサスグラフを推論する。推論されたビュー共通グラフとビュー固有のグラフを機能と一緒に埋め込む。
論文参考訳（メタデータ） (2022-10-13T13:19:51Z)
Online Inference for Mixture Model of Streaming Graph Signals with Non-White Excitation [34.30390182564043]
フィルタされた低域通過グラフ信号と、おそらく非白色および低ランクの励起の混合モデルについて検討する。本稿では,グラフのノード中心性に着目した推論問題を考える。本稿では,ストリーミングデータからの推論のための新しいオンラインEMアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-07-28T11:25:47Z)
ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文参考訳（メタデータ） (2022-03-01T02:32:25Z)
FiGLearn: Filter and Graph Learning using Optimal Transport [49.428169585114496]
信号観測からグラフとその生成フィルタを学習するための新しいグラフ信号処理フレームワークを提案する。ごくわずかな情報しか得られない場合、このフレームワークが欠落した値を推測するのにどのように使えるかを示す。
論文参考訳（メタデータ） (2020-10-29T10:00:42Z)
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)

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。