Fugu-MT 論文翻訳(概要): InstantEmbedding: Efficient Local Node Representations

論文の概要: InstantEmbedding: Efficient Local Node Representations

arxiv url: http://arxiv.org/abs/2010.06992v1
Date: Wed, 14 Oct 2020 12:08:45 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 12:16:50.299894
Title: InstantEmbedding: Efficient Local Node Representations
Title（参考訳）: InstantEmbedding: 効率的なローカルノード表現
Authors: \c{S}tefan Post\u{a}varu, Anton Tsitsulin, Filipe Miguel Gon\c{c}alves de Almeida, Yingtao Tian, Silvio Lattanzi, Bryan Perozzi
Abstract要約: InstantEmbeddingは局所計算を用いて単一ノード表現を効率よく生成する手法である。我々は,この手法が線形時間で一貫した表現を生成することを理論的に証明する。
参考スコア（独自算出の注目度）: 17.392502251465835
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we introduce InstantEmbedding, an efficient method for generating single-node representations using local PageRank computations. We theoretically prove that our approach produces globally consistent representations in sublinear time. We demonstrate this empirically by conducting extensive experiments on real-world datasets with over a billion edges. Our experiments confirm that InstantEmbedding requires drastically less computation time (over 9,000 times faster) and less memory (by over 8,000 times) to produce a single node's embedding than traditional methods including DeepWalk, node2vec, VERSE, and FastRP. We also show that our method produces high quality representations, demonstrating results that meet or exceed the state of the art for unsupervised representation learning on tasks like node classification and link prediction.
Abstract（参考訳）: 本稿では,ローカルなPageRank計算を用いて単一ノード表現を効率よく生成するInstantEmbeddingを提案する。我々は,この手法が線形時間で一貫した表現を生成することを理論的に証明する。 10億のエッジを持つ実世界のデータセットで、広範囲な実験を行い、経験的に実証する。 InstantEmbeddingは、DeepWalk、node2vec、VERSE、FastRPといった従来の方法よりも、単一のノードの埋め込みを生成するのに、計算時間(9000倍以上)とメモリ(8,000倍以上)を劇的に削減する必要があることを確認した。また,提案手法は,ノード分類やリンク予測などのタスクにおける教師なし表現学習の技術を満たしているか,あるいは超えた結果を示す高品質表現を生成する。

関連論文リスト

Efficient and Scalable Graph Generation through Iterative Local Expansion [26.843529744867222]
本稿では,1ノードを対象グラフに段階的に拡張することで,グラフを生成する手法を提案する。各ステップにおいて、ノードとエッジは拡散を減らし、まずグローバル構造を構築し、次に局所的な詳細を精査することで局所的に追加される。提案モデルは,5,000ノード以上のグラフへのスケーリングを成功裏に,確立されたベンチマークデータセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2023-12-14T10:42:42Z)
Prompting Diffusion Representations for Cross-Domain Semantic Segmentation [101.04326113360342]
拡散事前学習は、セマンティックセグメンテーションのための並外れた領域一般化結果を達成する。本研究では,シーンプロンプトとプロンプトランダム化戦略を導入し,セグメンテーションヘッドを訓練する際に,ドメイン不変情報をさらに混乱させる。
論文参考訳（メタデータ） (2023-07-05T09:28:25Z)
Fast Monocular Scene Reconstruction with Global-Sparse Local-Dense Grids [84.90863397388776]
本稿では,スパルス・ボクセル・ブロック・グリッドにおける署名付き距離関数(SDF)を直接使用して,距離のない高速かつ正確なシーン再構成を実現することを提案する。我々の世界規模で疎密で局所的なデータ構造は、表面の空間的空間性を利用して、キャッシュフレンドリーなクエリを可能にし、マルチモーダルデータへの直接拡張を可能にします。実験により、我々のアプローチはトレーニングでは10倍、レンダリングでは100倍高速であり、最先端のニューラル暗黙法に匹敵する精度を実現していることがわかった。
論文参考訳（メタデータ） (2023-05-22T16:50:19Z)
From Chaos Comes Order: Ordering Event Representations for Object Recognition and Detection [29.653946064645705]
本稿では、Gromov-Wasserstein Discrepancy(GWD)に基づくタスクの適切な表現を、生イベントとそれらの表現の間で選択する方法を示す。ニューラルネットワークのトレーニングよりも計算が約200倍高速で、イベント表現のタスクパフォーマンスランキングを保存する。最適化された表現は1Mpxデータセットで1.7mAP、Gen1データセットで0.3mAP、確立された2つのオブジェクト検出ベンチマークで3.8%、Mini N-ImageNetベンチマークで3.8%、既存の表現よりも優れています。
論文参考訳（メタデータ） (2023-04-26T11:27:34Z)
Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs [51.51417735550026]
時間的ネットワーク上での機械学習の方法は、一般的に2つの制限のうちの少なくとも1つを示す。ネットワークのライングラフは,各インタラクションのノードを含むもので,インタラクション間の時間差に基づいて,このグラフのエッジを重み付けする。実世界のネットワークにおける実験結果から,エッジ分類と時間リンク予測の両方において,本手法の有効性と有効性を示す。
論文参考訳（メタデータ） (2022-09-30T18:24:13Z)
Node Representation Learning in Graph via Node-to-Neighbourhood Mutual Information Maximization [27.701736055800314]
グラフにおける情報ノード表現の学習の鍵は、近隣からコンテキスト情報を得る方法にある。本稿では,ノードの隠蔽表現と周辺領域の相互情報を直接的に最大化することで,自己教師付きノード表現学習戦略を提案する。我々のフレームワークは、表現学習の質と効率を裏付ける正の選択が相反する比較的損失によって最適化されている。
論文参考訳（メタデータ） (2022-03-23T08:21:10Z)
REFINE: Random RangE FInder for Network Embedding [31.674649135019386]
本稿では,Random RangE FInderベースのネットワーク埋め込み(REFINE)アルゴリズムを提案する。 REFINEはProNEよりも10倍高速で、LINE、DeepWalk、Node2Vec、GraRep、およびHopeといった他のメソッドよりも10-400倍高速である。
論文参考訳（メタデータ） (2021-08-24T12:57:01Z)
Temporal Attention-Augmented Graph Convolutional Network for Efficient Skeleton-Based Human Action Recognition [97.14064057840089]
グラフネットワーク(GCN)はユークリッド以外のデータ構造をモデル化するのに非常に成功した。ほとんどのGCNベースのアクション認識手法は、計算量の多いディープフィードフォワードネットワークを使用して、全てのスケルトンをアクションで処理する。本稿では,骨格に基づく行動認識の効率を高めるための時間的アテンションモジュール(TAM)を提案する。
論文参考訳（メタデータ） (2020-10-23T08:01:55Z)
Unsupervised Feature Learning for Event Data: Direct vs Inverse Problem Formulation [53.850686395708905]
イベントベースのカメラは、ピクセルごとの明るさ変化の非同期ストリームを記録する。本稿では,イベントデータからの表現学習のための単一層アーキテクチャに焦点を当てる。我々は,最先端手法と比較して,認識精度が最大9%向上したことを示す。
論文参考訳（メタデータ） (2020-09-23T10:40:03Z)
Minimizing FLOPs to Learn Efficient Sparse Representations [36.24540913526988]
密度埋め込みと類似の表現能力を持つ高次元およびスパース表現を学習する。我々のアプローチは他のベースラインと競合し、実用的なデータセット上で同様の、あるいはより優れたスピードvs精度のトレードオフをもたらす。
論文参考訳（メタデータ） (2020-04-12T18:09:02Z)
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)

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。