Fugu-MT 論文翻訳(概要): Manifold structure in graph embeddings

論文の概要: Manifold structure in graph embeddings

arxiv url: http://arxiv.org/abs/2006.05168v3
Date: Tue, 5 Jan 2021 11:17:07 GMT
ステータス: 処理完了
システム内更新日: 2022-11-23 13:51:53.022225
Title: Manifold structure in graph embeddings
Title（参考訳）: グラフ埋め込みにおける多様体構造
Authors: Patrick Rubin-Delanchy
Abstract要約: 本稿では, グラファイトやその他の潜在位置モデルを含む既存のランダムグラフモデルを用いて, データがより低次元の集合の近くに存在することを予測した。したがって、隠された多様体構造を利用する方法を用いることで、次元の呪いを回避できる。
参考スコア（独自算出の注目度）: 6.09170287691728
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Statistical analysis of a graph often starts with embedding, the process of representing its nodes as points in space. How to choose the embedding dimension is a nuanced decision in practice, but in theory a notion of true dimension is often available. In spectral embedding, this dimension may be very high. However, this paper shows that existing random graph models, including graphon and other latent position models, predict the data should live near a much lower-dimensional set. One may therefore circumvent the curse of dimensionality by employing methods which exploit hidden manifold structure.
Abstract（参考訳）: グラフの統計的解析は、しばしばそのノードを空間上の点として表現する埋め込みで始まる。埋め込み次元をどう選ぶかは実際は微妙な決定であるが、理論上は真の次元の概念がしばしば利用できる。スペクトル埋め込みでは、この次元は非常に高い。しかし,本論文では,グラフや他の潜在位置モデルを含む既存のランダムグラフモデルが,より低次元な集合の近くにデータが存在することを予測していることを示す。したがって、隠れた多様体構造を利用する方法を用いることで次元の呪いを回避できる。

関連論文リスト

Weighted Embeddings for Low-Dimensional Graph Representation [0.13499500088995461]
グラフを重み付き空間に埋め込むことを提案し、これは双曲幾何学と密接に関連しているが数学的には単純である。重み付き埋め込みは、より少ない次元を使いながら、異質グラフに対する最先端のユークリッド埋め込みを著しく上回ることを示す。
論文参考訳（メタデータ） (2024-10-08T13:41:03Z)
Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文参考訳（メタデータ） (2023-11-29T12:48:33Z)
Tight and fast generalization error bound of graph embedding in metric space [54.279425319381374]
非ユークリッド計量空間へのグラフ埋め込みは、既存の有界よりもはるかに少ない訓練データを持つユークリッド空間におけるグラフ埋め込みよりも優れていることを示す。我々の新しい上限は、既存の上限よりもかなり強く速く、最大で$R$と$O(frac1S)$に指数関数できる。
論文参考訳（メタデータ） (2023-05-13T17:29:18Z)
Implications of sparsity and high triangle density for graph representation learning [67.98498239263549]
近年の研究では、多くの三角形を含むスパースグラフは、ノードの有限次元表現を用いて再現できないことが示されている。ここでは、ノード表現が低次元多様体上にある無限次元内積モデルを用いてそのようなグラフを再現できることを示す。
論文参考訳（メタデータ） (2022-10-27T09:15:15Z)
A Brief Survey on Representation Learning based Graph Dimensionality Reduction Techniques [0.0]
情報損失の度合いの異なる低次元に高次元で表されるデータをマッピングする。グラフデータから埋め込みを効率よく生成し、それらを低次元の潜在空間に投影する手法はいくつか存在する。本稿では,既存のグラフ次元削減技術に関連する問題点とともに,そのメリットを概説する。
論文参考訳（メタデータ） (2022-10-13T04:29:24Z)
Directed Graph Embeddings in Pseudo-Riemannian Manifolds [0.0]
一般的な有向グラフは、3つの成分を結合した埋め込みモデルで効果的に表現できることを示す。本稿では,リンク予測のタスクに適用することで,この手法の表現能力を実証する。
論文参考訳（メタデータ） (2021-06-16T10:31:37Z)
Manifold Learning via Manifold Deflation [105.7418091051558]
次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
論文参考訳（メタデータ） (2020-07-07T10:04:28Z)
Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。本稿では,非自明なERGに対する近似フレームワークを提案する。我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文参考訳（メタデータ） (2020-02-14T11:42:16Z)
Concise Fuzzy Planar Embedding of Graphs: a Dimensionality Reduction Approach [0.2867517731896504]
グラフ表現を$k$次元空間にマッピングし、主にユークリッド距離を測定することによって近隣ノードの問い合わせに答える。答えの正確さは低下するが、ファジィ論理によって補償される。
論文参考訳（メタデータ） (2018-03-08T14:44:56Z)

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。