[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

ÉLagage des nœuds multi-vues pour une représentation graphique précise

Created by
  • Haebom

Auteur

Parc Jiseong, Hanjin Kim, Seojin Kim, Jueun Choi, Doheon Lee, Sung Ju Hwang

Contour

Dans cet article, nous proposons une nouvelle méthode, l'élagage multi-vues (MVP), pour améliorer l'efficacité du regroupement de graphes. Alors que les méthodes de regroupement de graphes existantes tendent à supprimer des nœuds principalement en fonction de leur degré, MVP résout ce problème en considérant l'importance du nœud sous différents angles. Plus précisément, MVP divise le graphe d'entrée en graphes multi-vues et apprend le score de chaque nœud en prenant en compte à la fois la perte de reconstruction et la perte de tâche. Nous démontrons des performances améliorées par rapport aux méthodes de regroupement de graphes existantes sur divers jeux de données de référence, et nous confirmons par analyse que l'encodage multi-vues et la prise en compte de la perte de reconstruction sont les facteurs clés de l'amélioration des performances.

Takeaways, Limitations

•
Takeaways:
◦
Nous résolvons efficacement le problème de suppression de nœud simple, qui est __T9798__ dans le pooling de graphes existant, en prenant en compte plusieurs points de vue et la perte de reconstruction.
◦
Il est très polyvalent car il est compatible avec diverses méthodes de regroupement de graphes.
◦
Les résultats expérimentaux vérifient la supériorité de la méthode proposée et l’importance de ses éléments clés.
◦
Identifie efficacement les nœuds de faible importance en fonction des connaissances du domaine.
•
Limitations:
◦
L’efficacité du MVP proposé peut varier en fonction de la méthode de regroupement de graphiques utilisée et de l’ensemble de données.
◦
Des recherches supplémentaires peuvent être nécessaires sur la manière de générer différentes perspectives (par exemple, le nombre optimal de perspectives, les stratégies de génération de perspectives, etc.).
◦
Des recherches supplémentaires pourraient être nécessaires pour ajuster les pondérations de la perte de reconstruction et de la perte de tâche.
◦
Une validation supplémentaire de son applicabilité et de son efficacité pour les graphiques à grande échelle est nécessaire.
👍
Made with Slashpage