論文の概要: Directed Graph Representation through Vector Cross Product
- arxiv url: http://arxiv.org/abs/2010.10737v1
- Date: Wed, 21 Oct 2020 03:17:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 23:06:56.502419
- Title: Directed Graph Representation through Vector Cross Product
- Title(参考訳): ベクトルクロス積による有向グラフ表現
- Authors: Ramanujam Madhavan, Mohit Wadhwa
- Abstract要約: グラフ埋め込み法はグラフトポロジーを保ちながら低次元ベクトル空間のグラフにノードを埋め込む。
最近の有向グラフの研究は、各ノードに対する2つの埋め込み(ソースとターゲット)を学習することで、ノード間のエッジの向きを保つために提案されている。
本稿では,ベクトルクロス積の非可換性を利用して,ノード間のエッジ方向を本質的に保存する埋め込みを学習する手法を提案する。
- 参考スコア(独自算出の注目度): 2.398608007786179
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph embedding methods embed the nodes in a graph in low dimensional vector
space while preserving graph topology to carry out the downstream tasks such as
link prediction, node recommendation and clustering. These tasks depend on a
similarity measure such as cosine similarity and Euclidean distance between a
pair of embeddings that are symmetric in nature and hence do not hold good for
directed graphs. Recent work on directed graphs, HOPE, APP, and NERD, proposed
to preserve the direction of edges among nodes by learning two embeddings,
source and target, for every node. However, these methods do not take into
account the properties of directed edges explicitly. To understand the
directional relation among nodes, we propose a novel approach that takes
advantage of the non commutative property of vector cross product to learn
embeddings that inherently preserve the direction of edges among nodes. We
learn the node embeddings through a Siamese neural network where the
cross-product operation is incorporated into the network architecture. Although
cross product between a pair of vectors is defined in three dimensional, the
approach is extended to learn N dimensional embeddings while maintaining the
non-commutative property. In our empirical experiments on three real-world
datasets, we observed that even very low dimensional embeddings could
effectively preserve the directional property while outperforming some of the
state-of-the-art methods on link prediction and node recommendation tasks
- Abstract(参考訳): グラフ埋め込み手法は、グラフトポロジを保持しながら、グラフ内のノードを低次元ベクトル空間に埋め込み、リンク予測、ノード推薦、クラスタリングなどの下流タスクを実行する。
これらのタスクは、コサインの類似性や、自然に対称であり、従って有向グラフには適さない埋め込みの対の間のユークリッド距離のような類似性測度に依存する。
近年の有向グラフ,HOPE,APP,NERDの研究は,各ノードに対する2つの埋め込み(ソースとターゲット)を学習することにより,ノード間のエッジの方向を保存することを提案した。
しかし、これらの方法は有向辺の性質を明示的に考慮しない。
ノード間の方向関係を理解するために,ベクトルクロス積の非可換性を利用して,ノード間のエッジの方向を本質的に保存する埋め込みを学習する新しい手法を提案する。
我々は,クロスプロダクト操作をネットワークアーキテクチャに組み込む,シームズニューラルネットワークを通じてノード埋め込みを学習する。
一対のベクトルの間の交叉積は3次元で定義されるが、このアプローチは非可換性を維持しながらN次元の埋め込みを学習するために拡張される。
実世界の3つのデータセットに関する実証実験において、非常に低次元の埋め込みでも方向特性を効果的に保ちつつ、リンク予測やノードレコメンデーションタスクにおける最先端の手法よりも優れていることを示した。
関連論文リスト
- Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。
私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。
ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
論文 参考訳(メタデータ) (2024-10-18T01:34:35Z) - Reliable Node Similarity Matrix Guided Contrastive Graph Clustering [51.23437296378319]
我々は、新しいフレームワーク、Reliable Node similarity Matrix Guided Contrastive Graph Clustering (NS4GC)を紹介した。
本手法は,ノード近傍のアライメントとセマンティック・アウェア・スパリフィケーションを導入し,ノード類似度行列が正確かつ効率的にスパースであることを保証する。
論文 参考訳(メタデータ) (2024-08-07T13:36:03Z) - Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-15T14:36:38Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-06-14T09:21:15Z) - Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文 参考訳(メタデータ) (2023-03-14T20:35:45Z) - PA-GM: Position-Aware Learning of Embedding Networks for Deep Graph
Matching [14.713628231555223]
本稿では,線形代入問題を高次元空間にマッピングできる新しいエンドツーエンドニューラルネットワークを提案する。
我々のモデルは、ノードの相対的な位置に対するアンカーセットを構成する。
そして、相対位置の尺度に基づいて、ターゲットノードと各アンカーノードの特徴情報を集約する。
論文 参考訳(メタデータ) (2023-01-05T06:54:21Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳(メタデータ) (2021-11-19T08:54:21Z) - Pseudo-Euclidean Attract-Repel Embeddings for Undirected Graphs [73.0261182389643]
ドット積埋め込みはグラフをとり、2つのベクトル間のドット積がエッジの強さを与えるようなノードのベクトルを構成する。
ノードを擬ユークリッド空間に埋め込むことにより、推移性仮定を除去する。
Pseudo-Euclidean 埋め込みはネットワークを効率よく圧縮でき、近接する隣人の複数の概念をそれぞれ独自の解釈で解釈でき、既存のモデルに'スロットできる。
論文 参考訳(メタデータ) (2021-06-17T17:23:56Z) - node2coords: Graph Representation Learning with Wasserstein Barycenters [59.07120857271367]
グラフの表現学習アルゴリズムである node2coords を導入する。
低次元空間を同時に学習し、その空間内のノードを座標する。
実験の結果,node2coordで学習した表現は解釈可能であることがわかった。
論文 参考訳(メタデータ) (2020-07-31T13:14:25Z)
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。