A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Graph Embedding with Outlier-Robust Ratio Estimation Incorporação de gráfico com estimativa de proporção robusta e atípica

Kaito SATTA, Hiroaki SASAKI

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

O objetivo da incorporação de gráficos é aprender uma função de incorporação de dimensão inferior para dados gráficos. Os métodos existentes geralmente dependem da estimativa de máxima verossimilhança (MLE) e muitas vezes aprendem uma função de incorporação por meio da estimativa de média condicional (CME). No entanto, o MLE é conhecido por ser vulnerável à contaminação de valores discrepantes. Além disso, o CME pode restringir a aplicabilidade dos métodos de incorporação de gráficos a uma gama limitada de dados gráficos. Para lidar com esses problemas, este artigo propõe um novo método para incorporação de grafos denominado incorporação de gráfico de proporção robusta (RRG). RRGE é baseado na estimativa da razão entre as distribuições de probabilidade condicional e marginal dos pesos dos links dados vetores de dados e seria aplicável a uma gama mais ampla de dados gráficos do que os métodos baseados em CME. Além disso, para obter uma estimativa robusta de outliers, a razão é estimada com a entropia cruzada γ, que é uma alternativa robusta à entropia cruzada padrão. Experimentos numéricos em dados artificiais mostram que o RRGE é robusto contra valores discrepantes e tem um bom desempenho mesmo quando os métodos baseados em CME não funcionam de todo. Finalmente, o desempenho do método proposto é demonstrado em conjuntos de dados do mundo real utilizando redes neurais.

Publicação
IEICE TRANSACTIONS on Information Vol.E105-D No.10 pp.1812-1816
Data de publicação
2022/10/01
Publicitada
2022/07/04
ISSN online
1745-1361
DOI
10.1587/transinf.2022EDL8033
Tipo de Manuscrito
LETTER
Categoria
Inteligência Artificial, Mineração de Dados

autores

Kaito SATTA
  Future University Hakodate
Hiroaki SASAKI
  Future University Hakodate

Palavra-chave