論文の概要: Contextual Graph Matching with Correlated Gaussian Features

• arxiv url: http://arxiv.org/abs/2603.23305v1
• Date: Tue, 24 Mar 2026 15:11:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.553106
• Title: Contextual Graph Matching with Correlated Gaussian Features
• Title（参考訳）: 文脈グラフマッチングと関連するガウス特徴
• Authors: Mohammad Hassan Ahmad Yarandi, Luca Ganassali,
• Abstract要約: エッジ重みとノード特徴が2つのネットワークで相関するガウス的設定における文脈グラフマッチングについて検討する。 我々は、正確な回復のための正確な情報理論しきい値を導き、ほぼ正確な回復が可能であるか不可能である条件を特定する。 本研究は, グラフマッチングにおける構造的・文脈的情報がどのように相互作用するかを, より厳密に評価し, 効率的なアルゴリズム設計のためのベンチマークを構築した。
• 参考スコア（独自算出の注目度）: 2.497926557563177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate contextual graph matching in the Gaussian setting, where both edge weights and node features are correlated across two networks. We derive precise information-theoretic thresholds for exact recovery, and identify conditions under which almost exact recovery is possible or impossible, in terms of graph and feature correlation strengths, the number of nodes, and feature dimension. Interestingly, whereas an all-or-nothing phase transition is observed in the standard graph-matching scenario, the additional contextual information introduces a richer structure: thresholds for exact and almost exact recovery no longer coincide. Our results provide the first rigorous characterization of how structural and contextual information interact in graph matching, and establish a benchmark for designing efficient algorithms.
• Abstract（参考訳）: エッジ重みとノード特徴が2つのネットワークで相関するガウス的設定における文脈グラフマッチングについて検討する。 我々は、正確な回復のための正確な情報理論しきい値を導き、グラフおよび特徴相関強度、ノード数、特徴次元の観点から、ほぼ正確な回復が可能であるか不可能である条件を特定する。 興味深いことに、標準的なグラフマッチングシナリオでは、全てあるいは何もしない位相遷移が観察されるのに対して、追加のコンテキスト情報はよりリッチな構造をもたらす:正確にほぼ正確な回復のためのしきい値が、もはや一致しない。 本研究は, グラフマッチングにおける構造的・文脈的情報がどのように相互作用するかを, より厳密に評価し, 効率的なアルゴリズム設計のためのベンチマークを構築した。

関連論文リスト

• A Unified Framework for Interactive Visual Graph Matching via Attribute-Structure Synchronization [4.4315876561900165]
  インタラクティブなビジュアルグラフマッチングのための新しいフレームワークを提案する。 提案手法では,構造的特徴と属性的特徴を表現するために属性-構造同期法を開発した。 デザインされたインターフェイスでは、ユーザーは望む構造的およびセマンティックな特徴を持つ新しいターゲットグラフを指定できる。
  論文  参考訳（メタデータ） (2025-07-26T02:47:09Z)
• 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)
• Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
  既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。 我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
  論文  参考訳（メタデータ） (2023-06-05T07:53:52Z)
• Semantic Random Walk for Graph Representation Learning in Attributed Graphs [2.318473106845779]
  本稿では,2つの異種ソースの結合最適化を高次近接ベースフレームワークに定式化するための新しい意味グラフ表現(SGR)法を提案する。 高次トポロジ確率を考慮した従来の埋め込み法は、新しく構築されたグラフに容易に適用でき、ノードと属性の両方の表現を学習することができる。 学習された属性の埋め込みは、セマンティック指向の推論タスクを効果的にサポートし、グラフの深いセマンティックを明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-05-11T02:35:16Z)
• 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)
• Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
  グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。 我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
  論文  参考訳（メタデータ） (2022-05-28T15:37:03Z)
• SIGMA: A Structural Inconsistency Reducing Graph Matching Algorithm [21.1095092767297]
  グラフマッチングの精度、構造的不整合(SI)を測定するための新しい基準を提案する。 具体的には、SIは、グラフのマルチホップ構造に対応するために熱拡散ウェーブレットを組み込む。 ミラー降下法を用いて,新しいK-ホップ構造に基づくマッチングコストでGromov-Wasserstein距離を解くことにより,SIGMAを導出可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-06T15:18:37Z)
• 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)
• Fea2Fea: Exploring Structural Feature Correlations via Graph Neural Networks [7.766921168069533]
  低次元空間におけるグラフ特徴量予測パイプライン(Fea2Fea)を導入し,構造的特徴相関に関する予備的な結果について検討する。 その結果, 構造的特徴の間には高い相関関係があることが示唆された。 グラフニューラルネットワークによってフィルタリングされる初期ノード機能と冗長な機能の組み合わせにより、グラフデータセットの分類精度が向上した。
  論文  参考訳（メタデータ） (2021-06-24T14:36:50Z)
• Structure-Augmented Text Representation Learning for Efficient Knowledge Graph Completion [53.31911669146451]
  人為的な知識グラフは、様々な自然言語処理タスクに重要な支援情報を提供する。 これらのグラフは通常不完全であり、自動補完を促す。 グラフ埋め込みアプローチ(例えばTransE)は、グラフ要素を密度の高い埋め込みに表現することで構造化された知識を学ぶ。 テキストエンコーディングアプローチ(KG-BERTなど)は、グラフトリプルのテキストとトリプルレベルの文脈化表現を利用する。
  論文  参考訳（メタデータ） (2020-04-30T13:50:34Z)

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。