論文の概要: polyDAG: Polynomial Acyclicity Constraints for Efficient Continuous Causal Discovery in Visual Semantic Graphs
- arxiv url: http://arxiv.org/abs/2606.06908v1
- Date: Fri, 05 Jun 2026 05:03:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.573341
- Title: polyDAG: Polynomial Acyclicity Constraints for Efficient Continuous Causal Discovery in Visual Semantic Graphs
- Title（参考訳）: ポリDAG:視覚的セマンティックグラフにおける効率的な連続因果発見のための多項非周期性制約
- Authors: Wenhao Zhang, Ramin Ramezani, Tao Han, Kai Hwang, Minyi Guo,
- Abstract要約: 視覚意味グラフにおける連続因果発見のためのフレームワークであるpolyDAGを提案する。
ポリDAGは行列-指数非巡回性制約を有限トレース制約に置き換える。
合成Erdos-RenyiグラフとCelebA顔視覚特性の実験は、ポリDAGが効率と構造回復を改善することを示している。
- 参考スコア（独自算出の注目度）: 27.668189130003356
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Modern image-analysis pipelines often convert images into structured semantic variables, such as facial attributes, object concepts, and scene descriptors. Learning directed dependencies among these variables can produce interpretable visual semantic graphs, but continuous directed acyclic graph learning is limited by the cost of enforcing acyclicity. We present polyDAG, a polynomial acyclicity framework for efficient continuous causal discovery in visual semantic graphs. polyDAG replaces the matrix-exponential acyclicity constraint with a finite polynomial trace constraint and proves that the new constraint is zero exactly for acyclic graphs. We further derive a geometric-series implementation that avoids the explicit summation loop while preserving the same acyclicity condition. Experiments on synthetic Erdos-Renyi graphs and CelebA facial visual attributes show that polyDAG improves efficiency and structure recovery. Averaged over the revised synthetic protocol with d in {100, 200, 500}, polyDAG reduces mean structural Hamming distance from 318.4 to 285.4 and improves mean F1 score from 0.725 to 0.756. At 100 nodes, the geometric variant runs in 3.44 seconds compared with 5.16 seconds for the exponential baseline, corresponding to a 33.4 percent speedup. Code and data are publicly available at https://github.com/wenhaoz-fengcai/polyDAG.
- Abstract（参考訳）: 現代の画像分析パイプラインは、しばしばイメージを顔属性、オブジェクト概念、シーン記述子などの構造化された意味変数に変換する。
これらの変数間の依存性の学習は、解釈可能な視覚意味グラフを生成することができるが、連続的な非循環グラフ学習は、非循環を強制するコストによって制限される。
視覚意味グラフにおける効率的な因果探索のための多項式非巡回フレームワークであるpolyDAGを提案する。
ポリDAGは行列-指数非巡回性制約を有限多項式トレース制約に置き換え、新しい制約が非巡回グラフに対して正確にゼロであることを証明する。
さらに、同じ非巡回条件を保ちながら、明示的な和ループを避ける幾何系列の実装を導出する。
合成Erdos-RenyiグラフとCelebA顔視覚特性の実験は、ポリDAGが効率と構造回復を改善することを示している。
100, 200, 500} の d で修正された合成プロトコルを平均すると、ポリDAG は平均構造ハミング距離を 318.4 から 285.4 に減らし、平均 F1 スコアを 0.725 から 0.756 に改善する。
100ノードでは、幾何変種は3.44秒で、指数ベースラインは5.16秒で、33.4%のスピードアップに対応する。
コードとデータはhttps://github.com/wenhaoz-fengcai/polyDAGで公開されている。
関連論文リスト
- Rethinking Efficient Graph Coarsening via a Non-Selfishness Principle [56.92868481531399]
粗大化における近隣住民の集団干渉を優先する非利己的原則を提案する。
局所等方性仮定に基づいて、O(dot d)干渉評価をO(d)に還元する高速なNOPE*を導出する。
粗いグラフの学習は、元のグラフに匹敵する性能を示し、LLMベースのグラフ推論よりも優れた性能を示すことができる。
論文 参考訳（メタデータ） (2026-05-13T05:24:35Z) - Primitive Recursion without Composition: Dynamical Characterizations, from Neural Networks to Polynomial ODEs [0.0]
実数値力学により進化した実数値状態について検討する。
これら3つの状態は、実数値力学によって進化した連続体-実数値状態に作用する。
論文 参考訳（メタデータ） (2026-04-27T11:48:49Z) - Computationally-efficient Graph Modeling with Refined Graph Random Features [13.71262071974362]
本稿では,グラフランダム特徴量(GRF)の新しいクラスを提案する。
GRFs++は、通常のGRFの長年の制限を解決している。
これにより、新しいウォークスティッチ技術により、長いグラフのランダムウォークのサンプリングへの依存を減らすことができる。
論文 参考訳（メタデータ） (2025-10-09T02:53:26Z) - Multi-view Graph Condensation via Tensor Decomposition [3.3346316632716313]
グラフニューラルネットワーク(GNN)は、薬物発見、物体検出、ソーシャルメディア分析、レコメンダシステム、テキスト分類など、様々な現実世界の応用において顕著な結果を示してきた。
巨大なポテンシャルとは対照的に、それらを大規模グラフでトレーニングすることは、そのストレージと処理に必要なリソースのため、重大な計算上の課題を示す。
グラフ凝縮は、GNNの予測性能を維持しながら、元のグラフの本質的な情報を保存する合成コンパクトグラフを学習することで、これらの要求を減らすための有望な解決策として現れてきた。
論文 参考訳（メタデータ） (2025-08-20T01:02:18Z) - Learning Kronecker-Structured Graphs from Smooth Signals [8.594140167290098]
グラフ学習は、グラフ信号処理(GSP)において顕著な問題である。
本稿では,このグラフ学習問題に対処するために,非構造化問題であるモンテカルロ積スキームを交互に提案する。
実験を行い、既存の手法と比較して、アプローチの有効性と優れた性能を実証する。
論文 参考訳（メタデータ） (2025-05-14T21:53:37Z) - A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。
我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。
がんのステージングと生存予測の課題に強いパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-03-14T20:15:04Z) - Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。
本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文 参考訳（メタデータ） (2024-11-21T14:19:32Z) - Continuous Product Graph Neural Networks [5.703629317205571]
複数のグラフ上に定義されたマルチドメインデータは、計算機科学の実践的応用において大きな可能性を秘めている。
TPDEGの自然な解として現れるCITRUS(Continuous Product Graph Neural Networks)を紹介する。
我々は、CITRUSをよく知られた交通・時間天気予報データセットで評価し、既存の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-05-29T08:36:09Z) - Graph Signal Sampling for Inductive One-Bit Matrix Completion: a
Closed-form Solution [112.3443939502313]
グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。
キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。
オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
論文 参考訳（メタデータ） (2023-02-08T08:17:43Z) - Geometric Graph Representation Learning via Maximizing Rate Reduction [73.6044873825311]
学習ノード表現は、コミュニティ検出やノード分類などのグラフ解析において、さまざまな下流タスクの恩恵を受ける。
教師なしの方法でノード表現を学習するための幾何学グラフ表現学習(G2R)を提案する。
G2R は異なるグループ内のノードを異なる部分空間にマッピングし、各部分空間はコンパクトで異なる部分空間が分散される。
論文 参考訳（メタデータ） (2022-02-13T07:46:24Z) - Graph Gamma Process Generalized Linear Dynamical Systems [60.467040479276704]
実マルチ変数時系列をモデル化するために,グラフガンマ過程(GGP)線形力学系を導入する。
時間的パターン発見のために、モデルの下での潜在表現は、時系列を多変量部分列の同相集合に分解するために使用される。
非零次ノード数が有限であるランダムグラフを用いて、潜時状態遷移行列の空間パターンと次元の両方を定義する。
論文 参考訳（メタデータ） (2020-07-25T04:16:34Z)
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。