Fugu-MT 論文翻訳(概要): word2vec, node2vec, graph2vec, X2vec: Towards a Theory of Vector Embeddings of Structured Data

論文の概要: word2vec, node2vec, graph2vec, X2vec: Towards a Theory of Vector Embeddings of Structured Data

arxiv url: http://arxiv.org/abs/2003.12590v1
Date: Fri, 27 Mar 2020 18:23:55 GMT
ステータス: 処理完了
システム内更新日: 2022-12-19 04:55:19.219496
Title: word2vec, node2vec, graph2vec, X2vec: Towards a Theory of Vector Embeddings of Structured Data
Title（参考訳）: word2vec, node2vec, graph2vec, x2vec: 構造化データのベクトル埋め込みの理論に向けて
Authors: Martin Grohe
Abstract要約: ベクトル埋め込みの基礎を理解するための2つの理論的アプローチを提案する。我々は,様々なアプローチのつながりを描き,今後の研究の方向性を提案する。
参考スコア（独自算出の注目度）: 2.63067287928779
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vector representations of graphs and relational structures, whether hand-crafted feature vectors or learned representations, enable us to apply standard data analysis and machine learning techniques to the structures. A wide range of methods for generating such embeddings have been studied in the machine learning and knowledge representation literature. However, vector embeddings have received relatively little attention from a theoretical point of view. Starting with a survey of embedding techniques that have been used in practice, in this paper we propose two theoretical approaches that we see as central for understanding the foundations of vector embeddings. We draw connections between the various approaches and suggest directions for future research.
Abstract（参考訳）: グラフと関係構造のベクトル表現(手作り特徴ベクトルか学習表現か)は、標準的なデータ解析と機械学習技術を構造に適用することができる。このような埋め込みを生成するための幅広い手法が機械学習や知識表現文学において研究されている。しかし、ベクトル埋め込みは理論的な観点からはほとんど注目されていない。本稿では,ベクトル埋め込みの基礎を理解する上で中心となる2つの理論的アプローチを提案する。我々は,様々なアプローチのつながりを描き,今後の研究の方向性を提案する。

関連論文リスト

Dissecting embedding method: learning higher-order structures from data [0.0]
データ学習のための幾何学的深層学習法は、しばしば特徴空間の幾何学に関する仮定のセットを含む。これらの仮定と、データが離散的で有限であるという仮定は、いくつかの一般化を引き起こし、データとモデルの出力の間違った解釈を生み出す可能性がある。
論文参考訳（メタデータ） (2024-10-14T08:19:39Z)
Rule-Guided Joint Embedding Learning over Knowledge Graphs [6.831227021234669]
本稿では,コンテキスト情報とリテラル情報の両方を実体と関係埋め込みに組み込んだ新しいモデルを提案する。文脈情報については,信頼度と関連度を指標として重要度を評価する。 2つの確立されたベンチマークデータセットに対して、徹底的な実験を行い、モデル性能を検証する。
論文参考訳（メタデータ） (2023-12-01T19:58:31Z)
From axioms over graphs to vectors, and back again: evaluating the properties of graph-based ontology embeddings [78.217418197549]
埋め込みを生成するアプローチの1つは、名前付きエンティティと論理公理構造のためのノードとエッジのセットを導入することである。グラフに埋め込む方法(グラフ射影)は、それらが利用する公理の種類と異なる性質を持つ。
論文参考訳（メタデータ） (2023-03-29T08:21:49Z)
Linear Spaces of Meanings: Compositional Structures in Vision-Language Models [110.00434385712786]
事前学習された視覚言語モデル(VLM)からのデータ埋め込みにおける構成構造について検討する。まず,幾何学的観点から構成構造を理解するための枠組みを提案する。次に、これらの構造がVLM埋め込みの場合の確率論的に持つものを説明し、実際に発生する理由の直観を提供する。
論文参考訳（メタデータ） (2023-02-28T08:11:56Z)
Fair Interpretable Representation Learning with Correction Vectors [60.0806628713968]
我々は「補正ベクトル」の学習を中心にした公正表現学習のための新しい枠組みを提案する。このような方法で制約されたいくつかの公正表現学習モデルが、ランキングや分類性能の損失を示さないことを実験的に示す。
論文参考訳（メタデータ） (2022-02-07T11:19:23Z)
AttrE2vec: Unsupervised Attributed Edge Representation Learning [22.774159996012276]
本稿では,アトリビュートネットワークにおけるエッジの低次元ベクトル表現を学習する新しい非教師付き誘導法AttrE2Vecを提案する。実験により,現代の手法と比較して,より強力なエッジベクトル表現を構築した。
論文参考訳（メタデータ） (2020-12-29T12:20:49Z)
Quiver Signal Processing (QSP) [145.6921439353007]
キーバー表現に関する信号処理フレームワークの基礎を述べる。ネットワークにおける異種多次元情報を扱うための信号処理フレームワークを提案する。
論文参考訳（メタデータ） (2020-10-22T08:40:15Z)
Semi-supervised Learning by Latent Space Energy-Based Model of Symbol-Vector Coupling [55.866810975092115]
半教師付き学習のための潜在宇宙エネルギーに基づく事前モデルを提案する。本手法は,半教師付き学習タスクにおいてよく機能することを示す。
論文参考訳（メタデータ） (2020-10-19T09:55:14Z)
Hierarchical and Unsupervised Graph Representation Learning with Loukas's Coarsening [9.12816196758482]
本稿では,属性グラフを用いた教師なしグラフ表現学習法を提案する。このアルゴリズムは,教師なし表現学習手法における最先端技術と競合することを示す。
論文参考訳（メタデータ） (2020-07-07T12:04:38Z)
Machine learning-based classification of vector vortex beams [48.7576911714538]
渦ベクトルビームの分類に対する新しいフレキシブルな実験的アプローチを示す。まず、フォトニック量子ウォークにインスパイアされた任意のベクトル渦ビームを生成するためのプラットフォームについて述べる。次に、最近の機械学習手法を利用して特定偏光パターンを認識し分類する。
論文参考訳（メタデータ） (2020-05-16T10:58:49Z)
Analyzing Knowledge Graph Embedding Methods from a Multi-Embedding Interaction Perspective [3.718476964451589]
実世界の知識グラフは通常不完全であるため、この問題に対処するために知識グラフ埋め込み法が提案されている。これらの方法は、実体と関係を意味空間に埋め込まれたベクトルとして表現し、それらの間のリンクを予測する。四元数代数に基づく新しいマルチエンベディングモデルを提案し、人気のあるベンチマークを用いて有望な結果が得られることを示す。
論文参考訳（メタデータ） (2019-03-27T13:09:16Z)

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。