論文の概要: Nested Subspace Arrangement for Representation of Relational Data

• arxiv url: http://arxiv.org/abs/2007.02007v1
• Date: Sat, 4 Jul 2020 04:07:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 13:10:31.788000
• Title: Nested Subspace Arrangement for Representation of Relational Data
• Title（参考訳）: 関係データの表現のためのネスト部分空間アレンジメント
• Authors: Nozomi Hata, Shizuo Kaji, Akihiro Yoshida, Katsuki Fujisawa
• Abstract要約: 表現学習のための包括的フレームワークであるNested SubSpace (NSS)アレンジメントを導入する。 NSSアレンジメントの概念に基づいて,汎用グラフの再生に特化した表現学習手法を実装した。 数値実験により、DANCAR は WordNet を $mathbb R20$ に埋め込むことに成功した。
• 参考スコア（独自算出の注目度）: 6.59529078336196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Studies on acquiring appropriate continuous representations of discrete objects, such as graphs and knowledge base data, have been conducted by many researchers in the field of machine learning. In this study, we introduce Nested SubSpace (NSS) arrangement, a comprehensive framework for representation learning. We show that existing embedding techniques can be regarded as special cases of the NSS arrangement. Based on the concept of the NSS arrangement, we implement a Disk-ANChor ARrangement (DANCAR), a representation learning method specialized to reproducing general graphs. Numerical experiments have shown that DANCAR has successfully embedded WordNet in ${\mathbb R}^{20}$ with an F1 score of 0.993 in the reconstruction task. DANCAR is also suitable for visualization in understanding the characteristics of graphs.
• Abstract（参考訳）: グラフや知識ベースデータなどの離散オブジェクトの適切な連続表現を得る研究は、機械学習の分野で多くの研究者によって行われている。 本研究では,表現学習のための包括的フレームワークnested subspace(nss)アレンジについて述べる。 既存の組込み手法をnssアレンジメントの特別な場合とみなすことができることを示す。 nss配置の概念に基づき,一般グラフの再現に特化した表現学習手法であるディスクアンカー配置(dancar)を実装した。 数値実験により、ダンカーは${\mathbb r}^{20}$にwordnetを組み込むことに成功し、リコンストラクションタスクのf1スコアは0.993であることがわかった。 DANCARはグラフの特徴を理解するのにも適している。

関連論文リスト

• Equivariant Neural Operator Learning with Graphon Convolution [12.059797539633506]
  本稿では3次元ユークリッド空間における連続関数間の写像を学習するための学習係数スキームと残留演算子層を結合した一般アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-11-17T23:28:22Z)
• Feature Expansion for Graph Neural Networks [26.671557021142572]
  グラフニューラルネットワークを決定された特徴空間とトレーニング可能な重みに分解する。 理論的には、特徴空間は繰り返しの集合によって線形に相関する傾向がある。 これらの知見により,1)特徴部分空間の平坦化,2)特徴空間の拡張のための構造主成分を提案する。
  論文  参考訳（メタデータ） (2023-05-10T13:45:57Z)
• Structure-CLIP: Towards Scene Graph Knowledge to Enhance Multi-modal Structured Representations [70.41385310930846]
  マルチモーダルな構造表現を強化するためのエンドツーエンドフレームワークであるStructure-CLIPを提案する。 シーングラフを用いてセマンティックなネガティブな例の構築をガイドし、その結果、構造化された表現の学習に重点を置いている。 知識エンハンス(KEE)は、SGKを入力として活用し、構造化表現をさらに強化するために提案される。
  論文  参考訳（メタデータ） (2023-05-06T03:57:05Z)
• Revisiting Heterophily in Graph Convolution Networks by Learning Representations Across Topological and Feature Spaces [20.775165967590173]
  グラフ畳み込みネットワーク(GCN)は、グラフベースの機械学習タスクにおける表現の学習において、非常に成功した。 グラフ表現を2つの空間、すなわち位相空間と特徴空間で学習することで、GCNはヘテロフィリーに対処できると主張する。 半教師付きノード分類タスクにおけるGCNフレームワークの性能を実験的に検証した。
  論文  参考訳（メタデータ） (2022-11-01T16:21:10Z)
• Graph Neural Networks: Methods, Applications, and Opportunities [1.2183405753834562]
  本稿では,各学習環境におけるグラフニューラルネットワーク(GNN)の包括的調査について報告する。 各学習課題に対するアプローチは、理論的および経験的視点の両方から分析される。 さまざまなアプリケーションやベンチマークデータセットも提供されており、GNNの一般適用性に疑問が残るオープンな課題もある。
  論文  参考訳（メタデータ） (2021-08-24T13:46:19Z)
• Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
  グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。 複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
  論文  参考訳（メタデータ） (2021-07-20T22:09:21Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• SNoRe: Scalable Unsupervised Learning of Symbolic Node Representations [0.0]
  提案したSNoReアルゴリズムは、個々のネットワークノードのシンボリックで人間の理解可能な表現を学習することができる。 SNoReの解釈可能な特徴は、個々の予測を直接説明するのに適している。 SNoReのベクトル化実装は大規模ネットワークにスケールし、現代のネットワーク学習および分析タスクに適している。
  論文  参考訳（メタデータ） (2020-09-08T08:13:21Z)
• Deep Metric Structured Learning For Facial Expression Recognition [58.7528672474537]
  本研究では,よく定義された構造を持つ組込み部分空間を作成するための深度計量学習モデルを提案する。 これらの部分空間を作成するために、出力空間上にガウス構造を課す新しい損失関数が導入された。 学習した埋め込みは,表現検索や感情認識など,様々な応用に有効であることが実験的に実証された。
  論文  参考訳（メタデータ） (2020-01-18T06:23:18Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。