論文の概要: Visual graphs for image classification: does the structure affect performance?

• arxiv url: http://arxiv.org/abs/2607.06295v1
• Date: Tue, 07 Jul 2026 14:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.545551
• Title: Visual graphs for image classification: does the structure affect performance?
• Title（参考訳）: 画像分類のためのビジュアルグラフ:構造は性能に影響するか?
• Abstract要約: 本研究の目的は, 固定された3層GCNアーキテクチャのコンテキスト内で, 現在のグラフ構築手法を体系的に比較することである。 特に、ネットワーク構造がパフォーマンスにどのように影響するかを示し、グラフ利用前の計算段階に関する重要な方法論的な貢献を提供する。
• 参考スコア（独自算出の注目度）: 51.56484100374058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models have emerged in machine learning and related fields, demonstrating astonishing performance in various visual tasks. Despite their great success, however, these models are unable to fully encode intrinsic visual structures, and often ignore the spatial, topological, and semantic information contained within an image. Graph neural networks offer a good framework to face this aspect, but their effective use for visual tasks has been only partly explored and mainly starting from a limited perspective. This work aims to address this gap by conducting a systematic comparison of current graph construction techniques within the context of a fixed three-layer GCN architecture. Through an empirical study, it demonstrates in particular how the network structure affects performance and provides an important methodological contribution regarding the computational stages preceding graph utilization, which will be strongly influenced by the structure itself.
• Abstract（参考訳）: ディープラーニングモデルが機械学習と関連分野に登場し、様々な視覚的タスクにおける驚くべきパフォーマンスを示している。 しかし、その大きな成功にもかかわらず、これらのモデルは固有の視覚構造を完全にエンコードすることができず、しばしば画像に含まれる空間的、位相的、意味的な情報を無視する。 グラフニューラルネットワークは、この側面に対処するための優れたフレームワークを提供するが、視覚タスクの効果的な使用は、部分的に検討され、主に限定的な視点から始まった。 本研究は, 固定された3層GCNアーキテクチャのコンテキスト内で, 現在のグラフ構築手法を体系的に比較することにより, このギャップに対処することを目的とする。 実験的な研究を通じて、特にネットワーク構造がパフォーマンスにどのように影響するかを示し、構造自体に強く影響されるであろうグラフ利用前の計算段階に関する重要な方法論的な貢献を提供する。

関連論文リスト

• Graph is a Substrate Across Data Modalities [50.51414622183521]
  グラフは、様々な領域にまたがる関係構造の自然な表現を提供する。 このユビキティにもかかわらず、グラフ構造は通常、モダリティとタスク分離の方法で学習される。 本稿では,共有グラフ構造に関する学習を組織化するグラフ基板フレームワークG-Substrateを提案する。
  論文  参考訳（メタデータ） (2026-01-29T22:46:02Z)
• Cross-View Topology-Aware Graph Representation Learning [0.0]
  本稿では,GNNからの構造的埋め込みと,永続的ホモロジーから派生した位相的埋め込みを統合した2視点コントラスト学習フレームワークGraphTCLを提案する。 TUやOGB分子グラフなどのベンチマークデータセットの実験は、GraphTCLが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-12-01T19:00:58Z)
• Graph Self-Supervised Learning with Learnable Structural and Positional Encodings [39.20899720477907]
  我々は、$k$-hopメッセージパッシングスキームを統合したGNNフレームワークであるemphGenHopNetを紹介する。 また,学習過程全体を通してトポロジ的情報を組み込んだ構造的および位置対応GSSLフレームワークを提案する。 我々の研究は、類似の局所構造を持つグラフと異なるグローバルトポロジを持つグラフを区別するGSSLの能力を大幅に向上させた。
  論文  参考訳（メタデータ） (2025-02-22T14:10:06Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• A Structural Feature-Based Approach for Comprehensive Graph Classification [1.5020330976600735]
  本稿では,基本グラフ構造特性に基づいて特徴ベクトルを構成する手法を提案する。 これらの特徴は、単純さにもかかわらず、同じクラス内のグラフの本質的な特性を捉えるのに十分強力であることを示す。 このアプローチの重要な利点は、その単純さです。これにより、幅広いアプリケーションにアクセスし、適応できます。
  論文  参考訳（メタデータ） (2024-08-10T07:59:43Z)
• Node Classification via Semantic-Structural Attention-Enhanced Graph Convolutional Networks [0.9463895540925061]
  SSA-GCN(Semantic-structure attention-enhanced graph convolutional Network)を導入する。 グラフ構造をモデル化するだけでなく、分類性能を高めるために一般化されていない特徴を抽出する。 Cora と CiteSeer のデータセットに対する実験により,提案手法による性能改善が実証された。
  論文  参考訳（メタデータ） (2024-03-24T06:28:54Z)
• Digital Fingerprinting of Microstructures [44.139970905896504]
  微細な情報をフィンガープリントする効率的な方法を見つけることは、データ中心の機械学習アプローチを活用するための重要なステップである。 本稿では,マイクロ構造を分類し,その特徴を機械学習タスクに応用する。 特に、ImageNetデータセットで事前訓練された畳み込みニューラルネットワーク(CNN)によるトランスファーラーニングを利用するメソッドは、他の方法よりも優れていることが一般的に示されている。
  論文  参考訳（メタデータ） (2022-03-25T15:40:44Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Affinity Graph Supervision for Visual Recognition [35.35959846458965]
  親和性グラフにおける重みの学習を指導する原理的手法を提案する。 我々の親和性監視は、手動でアノテートされた関係ラベルがなくても、オブジェクト間の関係回復を改善する。 我々は、ニューラルネットワークトレーニングのために、ミニバッチから構築されたグラフにも親和性学習を適用することができることを示した。
  論文  参考訳（メタデータ） (2020-03-19T23:52:51Z)

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。