Fugu-MT 論文翻訳(概要): Probabilistic Graph Cuts

論文の概要: Probabilistic Graph Cuts

arxiv url: http://arxiv.org/abs/2511.02272v1
Date: Tue, 04 Nov 2025 05:24:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-05 18:47:05.81711
Title: Probabilistic Graph Cuts
Title（参考訳）: 確率的グラフカット
Authors: Ayoub Ghriss,
Abstract要約: 正規化カットを含む幅広い種類のカットをカバーする統一確率的フレームワークを提案する。我々のフレームワークは積分表現とガウス超幾何関数を通した予測離散切断の厳密な解析上界を提供する。
参考スコア（独自算出の注目度）: 0.6903929927172917
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Probabilistic relaxations of graph cuts offer a differentiable alternative to spectral clustering, enabling end-to-end and online learning without eigendecompositions, yet prior work centered on RatioCut and lacked general guarantees and principled gradients. We present a unified probabilistic framework that covers a wide class of cuts, including Normalized Cut. Our framework provides tight analytic upper bounds on expected discrete cuts via integral representations and Gauss hypergeometric functions with closed-form forward and backward. Together, these results deliver a rigorous, numerically stable foundation for scalable, differentiable graph partitioning covering a wide range of clustering and contrastive learning objectives.
Abstract（参考訳）: グラフカットの確率的緩和はスペクトルクラスタリングの代替となり、固有分解のないエンドツーエンドとオンライン学習を可能にする。正規化カットを含む幅広い種類のカットをカバーする統一確率的フレームワークを提案する。我々のフレームワークは、積分表現とガウス超幾何関数によって予想される離散切断の厳密な解析上界を提供する。これらの結果は、広範囲のクラスタリングと対照的な学習目標をカバーするスケーラブルで微分可能なグラフ分割のための厳密で数値的に安定した基盤を提供する。

関連論文リスト

Graph-based Clustering Revisited: A Relaxation of Kernel $k$-Means Perspective [73.18641268511318]
本稿では,クラスタリング結果を導出するための正規制約のみを緩和するグラフベースのクラスタリングアルゴリズムを提案する。二重制約を勾配に変換するために、非負の制約をクラス確率パラメータに変換する。
論文参考訳（メタデータ） (2025-09-23T09:14:39Z)
Deep Clustering via Probabilistic Ratio-Cut Optimization [0.7366405857677227]
本稿では,二項代入を確率変数としてモデル化することで,グラフ比カットを最適化する新しい手法を提案する。オンライン環境における代入変数のパラメータを学習するために、予測比カットの上限と、その勾配の偏りのない推定値を提供する。
論文参考訳（メタデータ） (2025-02-05T17:47:53Z)
Spectral Clustering for Directed Graphs via Likelihood Estimation on Stochastic Block Models [22.421702511126373]
ブロックモデルに対する統計的推測を利用して、有向グラフに対するスペクトルクラスタリングアルゴリズムの開発を導く。我々は、スペクトル緩和の誤クラスタリング誤差に関する理論上界を確立し、この緩和に基づいて、有向グラフに対する新しい自己適応スペクトルクラスタリング法を導入する。
論文参考訳（メタデータ） (2024-03-28T15:47:13Z)
M3C: A Framework towards Convergent, Flexible, and Unsupervised Learning of Mixture Graph Matching and Clustering [57.947071423091415]
本稿では,理論収束を保証する学習自由度アルゴリズムであるM3Cを提案する。我々は、新しいエッジワイド親和性学習と擬似ラベル選択を組み込んだ教師なしモデルUM3Cを開発した。提案手法は,最先端のグラフマッチングと混合グラフマッチングとクラスタリングの手法を精度と効率の両面で優れている。
論文参考訳（メタデータ） (2023-10-27T19:40:34Z)
Joint Dense-Point Representation for Contour-Aware Graph Segmentation [2.138299283227551]
本稿では,点と画素の輪郭表現を共同で学習することにより,グラフと高密度セグメンテーション技術を組み合わせた新しい手法を提案する。これは、不整合目的がネットワークを識別的・輪郭的特徴の学習から制限する典型的なグラフ分割法における欠陥に対処する。提案手法はいくつかのケストX線データセットで検証され,セグメンテーション安定性と精度の明確な改善が示された。
論文参考訳（メタデータ） (2023-06-21T10:07:17Z)
One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
論文参考訳（メタデータ） (2023-05-12T11:27:20Z)
Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。この問題は楕円分布のペナルティ化された最大推定値として表される。楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文参考訳（メタデータ） (2022-10-21T13:19:45Z)
Generalized Dirichlet Energy and Graph Laplacians for Clustering Directed and Undirected Graphs [2.4118754741048987]
有向グラフのクラスタリングは、エッジ接続の非対称性のため、依然として根本的な課題である。我々は、古典的なディリクレエネルギーを拡張する新しいエネルギー汎関数である一般化ディリクレエネルギー(GDE)を導入する。本稿では,弱連結なダイグラフのクラスタリングを可能にする一般化スペクトルクラスタリング(GSC)手法を提案する。
論文参考訳（メタデータ） (2022-03-07T09:18:42Z)
Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文参考訳（メタデータ） (2021-12-15T01:45:32Z)

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。