論文の概要: Nested Ensemble Learning with Topological Data Analysis for Graph Classification and Regression
- arxiv url: http://arxiv.org/abs/2611.14900v1
- Date: Wed, 11 Nov 2026 01:39:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.977023
- Title: Nested Ensemble Learning with Topological Data Analysis for Graph Classification and Regression
- Title(参考訳): グラフ分類と回帰のためのトポロジカルデータ解析を用いたNested Ensemble Learning
- Abstract要約: 本研究では,グラフデータからトポロジ的特徴を抽出・統合するネステッドアンサンブル学習フレームワークを提案する。
私たちのフレームワークは、ベースモデルと標準のスタックメソッドを一貫して上回ります。
また、既存の最先端のアプローチを超え、すべてのベンチマークで上位3モデルにランクインしている。
- 参考スコア(独自算出の注目度): 0.3609538870261841
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a nested ensemble learning framework that utilizes Topological Data Analysis (TDA) to extract and integrate topological features from graph data, with the goal of improving performance on classification and regression tasks. Our approach computes persistence diagrams (PDs) using lower-star filtrations induced by three filter functions: closeness, betweenness, and degree2 centrality. To overcome the limitation of relying on a single filter, these PDs are integrated through a data-driven, three-level architecture. At Level-0, diverse base models are independently trained on the topological features extracted for each filter function. At Level-1, a meta-learner combines the predictions of these base models for each filter to form filter-specific ensembles. Finally, at Level-2, a meta-learner integrates the outputs of these filter-specific ensembles to produce the final prediction. We evaluate our method on both simulated and real-world graph datasets. Experimental results demonstrate that our framework consistently outperforms base models and standard stacking methods, achieving higher classification accuracy and lower regression error. It also surpasses existing state-of-the-art approaches, ranking among the top three models across all benchmarks.
- Abstract(参考訳): 本稿では,グラフデータからトポロジ的特徴を抽出・統合するために,トポロジ的データ解析(TDA)を利用したネステッドアンサンブル学習フレームワークを提案する。
提案手法は, 3つのフィルタ関数(近接性, 間隙性, 次数2中央性)によって誘導される低星フィルターを用いて, 持続性図(PD)を計算する。
単一フィルタに依存する制限を克服するため、これらのPDはデータ駆動の3レベルアーキテクチャを通じて統合される。
レベル0では,各フィルタ関数から抽出したトポロジ的特徴に基づいて,多様なベースモデルを独立に訓練する。
レベル1では、メタリアナーが各フィルタのベースモデルの予測を組み合わせ、フィルタ固有のアンサンブルを形成する。
最後に、レベル2では、メタリアナーがこれらのフィルタ固有のアンサンブルの出力を統合し、最終的な予測を生成する。
シミュレーションおよび実世界のグラフデータセットを用いて,本手法の評価を行った。
実験結果から,本フレームワークはベースモデルと標準積み上げ手法を一貫して上回り,高い分類精度と低回帰誤差を実現していることが示された。
また、既存の最先端のアプローチを超え、すべてのベンチマークで上位3モデルにランクインしている。
関連論文リスト
- How to Simplify a Line Chart: A Taxonomy and Feature-Based Evaluation [3.1865582949300837]
一般的な19のアルゴリズムを評価可能な,ラインチャートの簡易化のための特徴に基づく分類法を提案する。
行グラフの時系列解析によく用いられる視覚的特徴を,知覚的に動機付け,計算的に定義した12の特徴を定式化する。
忠実さと単純さのトレードオフを捉えるために,特徴保存と複雑性を組み合わせた特徴複雑度(FC)スコアを導入する。
論文 参考訳(メタデータ) (2026-10-30T15:10:08Z) - Optimizing Distributional Geometry Alignment with Optimal Transport for Generative Dataset Distillation [109.13471554184554]
最適輸送(OT)距離最小化問題としてデータセット蒸留を再構成する。
OTは分布マッチングのための幾何学的に忠実なフレームワークを提供する。
提案手法は, 常に最先端の手法を効率よく上回っている。
論文 参考訳(メタデータ) (2025-11-29T04:04:05Z) - Deepfake Detection that Generalizes Across Benchmarks [48.85953407706351]
ディープフェイク検出器の非表示操作技術への一般化は、実用的展開の課題である。
この研究は、基礎となる事前学習された視覚エンコーダのパラメータ効率適応により、ロバストな一般化が達成可能であることを示す。
提案手法は、平均的クロスデータセットAUROCにおける、より複雑な、最新のアプローチよりも優れた、最先端の性能を実現する。
論文 参考訳(メタデータ) (2025-08-08T12:03:56Z) - LimeSoDa: A Dataset Collection for Benchmarking of Machine Learning Regressors in Digital Soil Mapping [0.0]
複数のデータセットに関するベンチマーク研究は、一般的に使われている手法の長所と短所を明らかにするために必要である。
LimeSoDaは、さまざまな国の31のフィールドとファームスケールのデータセットで構成されている。
我々は、すべてのデータセットで4つの学習アルゴリズムの予測性能を比較することで、ベンチマークにLimeSoDaを使うことを実証した。
論文 参考訳(メタデータ) (2025-02-27T14:31:36Z) - Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。
本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。
両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
論文 参考訳(メタデータ) (2024-06-12T08:30:16Z) - Image Classification using Combination of Topological Features and
Neural Networks [1.0323063834827417]
我々は、データ空間から重要なトポロジ的特徴を抽出するために、永続的ホモロジー法、すなわち、トポロジ的データ解析(TDA)の技法を用いる。
これは、MNISTデータセット内の複数のクラスから画像を分類することを目的として行われた。
提案手法は,1ストリームと2ストリームのニューラルネットワークによって構成されるディープラーニングアプローチにトポロジ的特徴を挿入する。
論文 参考訳(メタデータ) (2023-11-10T20:05:40Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳(メタデータ) (2023-08-01T09:31:44Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳(メタデータ) (2020-08-31T08:41:20Z)
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。