一般化された自己分解とスペクトル埋め込みのための無監督の深層スペクトル基礎学習

科学分野:

• グラフ理論はグラフの理論である.
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
• ジオメトリック処理

背景:

• スペクトル埋め込みは,統計学学習と幾何学処理に不可欠です.
• ディープニューラルネットワーク (DNN) は,スケーラブルなグラフエンベディングを提供するが,オートゴナライゼーションを必要とする.
• 既存の方法は,一般化とスケーラビリティの課題に直面しています.

研究 の 目的:

• 無監督スペクトルベース学習 (SBL) フレームワークを導入する.
• グラフマトリックスの一般的な自己分解を可能にします.
• 複雑な変換を回避することによってスペクトル埋め込みを改善します.

主な方法:

• スペクトルベース推定のための新しいスペクトル埋め込み基準を開発しました.
• 線形グラフコンヴォルション (LGC) を利用してスペクトル埋め込み.
• スペクトルベースを学習するために,反復的なパワーデフレーションのようなアプローチを採用しました.

主要な成果:

• SBL フレームワークは,QR ベースの正方形化や同類変換を避けています.
• グラフの間でスペクトルベースを並べ,自己ベクトルのスイッチングを軽減しました.
• 最先端の深層スペクトル埋め込み方法よりもパフォーマンスの向上が実証されています.

結論:

• SBLは,一般化されたグラフ独自の分解のための効果的な無監督のフレームワークを提供します.
• この方法は,スペクトル埋め込みトレーニングを簡素化し,グラフのマッチングを強化します.
• SBLは,既存の深層スペクトル埋め込み技術に有望な代替案を提供します.