Fugu-MT 論文翻訳(概要): Local Neighbor Propagation Embedding

論文の概要: Local Neighbor Propagation Embedding

arxiv url: http://arxiv.org/abs/2006.16009v1
Date: Mon, 29 Jun 2020 12:49:22 GMT
ステータス: 処理完了
システム内更新日: 2022-11-15 13:46:00.610014
Title: Local Neighbor Propagation Embedding
Title（参考訳）: 局所的近傍伝搬埋め込み
Authors: Shenglan Liu and Yang Yu
Abstract要約: 近接伝搬をLNPE(Local Neighbor propagation Embedding)に導入する。 LNPEは、1ドルのホップ隣人を$n$ホップ隣人に拡張することで、近所同士の局所的なつながりと相互作用を強化する。実験により、LNPEはより忠実で堅牢な埋め込みを得ることができ、より優れた位相的および幾何学的性質が得られることが示された。
参考スコア（独自算出の注目度）: 10.120548476934186
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Manifold Learning occupies a vital role in the field of nonlinear dimensionality reduction and its ideas also serve for other relevant methods. Graph-based methods such as Graph Convolutional Networks (GCN) show ideas in common with manifold learning, although they belong to different fields. Inspired by GCN, we introduce neighbor propagation into LLE and propose Local Neighbor Propagation Embedding (LNPE). With linear computational complexity increase compared with LLE, LNPE enhances the local connections and interactions between neighborhoods by extending $1$-hop neighbors into $n$-hop neighbors. The experimental results show that LNPE could obtain more faithful and robust embeddings with better topological and geometrical properties.
Abstract（参考訳）: マニフォールド学習は非線形次元減少の分野において重要な役割を担い、その考え方は他の関連する手法にも役立つ。グラフ畳み込みネットワーク(GCN)のようなグラフベースの手法は、異なる分野に属するが、多様体学習と共通する概念を示している。 GCNにインスパイアされた周辺伝播をLLEに導入し,LNPE(Local Neighbor Propagation Embedding)を提案する。 lleと比較して線形計算の複雑さが増大するにつれて、lnpe は近傍間の局所的な接続と相互作用を強化し、1ドルのhop近傍を$n$hop近傍に拡張する。実験の結果、LNPEはより忠実で堅牢な埋め込みが得られ、より優れた位相的および幾何学的性質が得られることが示された。

関連論文リスト

LSGNN: Towards General Graph Neural Network in Node Classification by Local Similarity [59.41119013018377]
本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)は,ホモ親和性グラフとヘテロ親和性グラフの両方において,同等あるいは優れた最先端性能を提供できる。
論文参考訳（メタデータ） (2023-05-07T09:06:11Z)
Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文参考訳（メタデータ） (2022-05-11T17:43:54Z)
Contrastive Adaptive Propagation Graph Neural Networks for Efficient Graph Learning [65.08818785032719]
グラフネットワーク(GNN)は、構造認識特徴の抽出と伝播によってグラフデータの処理に成功している。近年,地域と高階の双方からなる拡張された隣人を直接扱えるように,近隣住民に焦点を絞った局所的伝播計画から拡張的伝播計画へと発展してきた。優れた性能にもかかわらず、既存のアプローチは、局所的および高次隣人の影響を適応的に調整できる効率的で学習可能な拡張伝搬スキームを構築するのにはまだ不十分である。
論文参考訳（メタデータ） (2021-12-02T10:35:33Z)
On Representation Knowledge Distillation for Graph Neural Networks [15.82821940784549]
我々は,教師がグラフデータを埋め込む方法のグローバルなトポロジを保存することが,GNNにとってより効果的な蒸留目標になるかどうかを検討する。 1)グローバル構造保存損失(GSP)と(2)グラフコントラスト表現蒸留(G-CRD)の2つの新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-09T06:22:27Z)
An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot Learning [77.72330187258498]
エントロピー誘導強化部分畳み込みネットワーク(ERPCNet)を提案する。 ERPCNetは、人間のアノテーションのない意味的関連性と視覚的相関に基づいて、局所性を抽出し、集約する。グローバルな協力的局所性を動的に発見するだけでなく、ポリシー勾配最適化のためにより高速に収束する。
論文参考訳（メタデータ） (2021-11-03T11:13:13Z)
RMNA: A Neighbor Aggregation-Based Knowledge Graph Representation Learning Model Using Rule Mining [9.702290899930608]
隣り合う集約型表現学習(NARL)モデルを提案し、エンティティの隣人の情報をその埋め込みにエンコードする。ルールマイニングアルゴリズムを用いてホルンルールを抽出・フィルタリングし,選択したホルンルールを用いて貴重なマルチホップ隣人からワンホップ隣人への変換を行う,RMNAというNARLモデルを提案する。
論文参考訳（メタデータ） (2021-11-01T02:08:26Z)
Tree Decomposed Graph Neural Network [11.524511007436791]
本研究では,異なる階層の近傍を乱して特徴の平滑化を緩和する木分解法を提案する。また、木分解定式化におけるグラフ拡散によるマルチホップ依存性を特徴付け、木分解グラフニューラルネットワーク(TDGNN)を構築する。総合的な実験は、ホモフィリーネットワークとヘテロフィリーネットワークの両方において、TDGNNの優れた性能を示す。
論文参考訳（メタデータ） (2021-08-25T02:47:16Z)
Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文参考訳（メタデータ） (2021-04-16T04:30:06Z)
Neighborhood Matching Network for Entity Alignment [71.24217694278616]
Neighborhood Matching Network (NMN)は、新しいエンティティアライメントフレームワークである。 NMNは、トポロジカル構造と近傍差の両方を捉えるために、エンティティ間の類似性を推定する。まず、新しいグラフサンプリング法を用いて、各エンティティの識別的近傍を蒸留する。その後、クロスグラフの近傍マッチングモジュールを採用し、与えられたエンティティペアの近傍差を共同で符号化する。
論文参考訳（メタデータ） (2020-05-12T08:26:15Z)
Empirical Studies on the Properties of Linear Regions in Deep Neural Networks [34.08593191989188]
分割線形活性化を持つディープニューラルネットワーク(DNN)は、入力空間を多数の小さな線形領域に分割することができる。これらの領域の数はDNNの表現力を表すと考えられている。本研究では, 球面, 対応する超平面の方向, 決定境界, 周辺領域の関連性などの局所的性質について検討する。
論文参考訳（メタデータ） (2020-01-04T12:47:58Z)

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。