論文の概要: Graph Geometry Interaction Learning

• arxiv url: http://arxiv.org/abs/2010.12135v1
• Date: Fri, 23 Oct 2020 02:40:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 23:38:09.796705
• Title: Graph Geometry Interaction Learning
• Title（参考訳）: グラフ幾何相互作用学習
• Authors: Shichao Zhu, Shirui Pan, Chuan Zhou, Jia Wu, Yanan Cao and Bin Wang
• Abstract要約: 本研究では,グラフにおける豊富な幾何学的特性を学習するための,グラフの幾何学的相互作用学習(GIL)手法を開発した。 提案手法は,各ノードに,フレキシブルな二重特徴量相互作用学習と確率組立機構を通じて,各幾何学空間の重要性を決定する自由を与える。 ノード分類とリンク予測タスクに関する5つのベンチマークデータセットについて,実験結果を示す。
• 参考スコア（独自算出の注目度）: 41.10468385822182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While numerous approaches have been developed to embed graphs into either Euclidean or hyperbolic spaces, they do not fully utilize the information available in graphs, or lack the flexibility to model intrinsic complex graph geometry. To utilize the strength of both Euclidean and hyperbolic geometries, we develop a novel Geometry Interaction Learning (GIL) method for graphs, a well-suited and efficient alternative for learning abundant geometric properties in graph. GIL captures a more informative internal structural features with low dimensions while maintaining conformal invariance of each space. Furthermore, our method endows each node the freedom to determine the importance of each geometry space via a flexible dual feature interaction learning and probability assembling mechanism. Promising experimental results are presented for five benchmark datasets on node classification and link prediction tasks.
• Abstract（参考訳）: グラフをユークリッド空間または双曲空間に埋め込むための多くのアプローチが開発されているが、それらはグラフで利用可能な情報を十分に活用していない。 ユークリッド幾何学と双曲幾何学の両方の強みを利用するため、グラフの豊富な幾何学的性質を学習する優れた代替手段であるグラフのための新しい幾何相互作用学習法(gil)を開発した。 GILは、各空間の共形不変性を保ちながら、低次元のより情報的な内部構造的特徴を捉えている。 さらに,各ノードに自由を与え,フレキシブルな二重特徴相互作用学習と確率合成機構を用いて各幾何学空間の重要性を判定する。 ノード分類とリンク予測タスクに関する5つのベンチマークデータセットについて,実験結果を示す。

関連論文リスト

• 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)
• Alignment and Outer Shell Isotropy for Hyperbolic Graph Contrastive Learning [69.6810940330906]
  高品質なグラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。 具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。 双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
  論文  参考訳（メタデータ） (2023-10-27T15:31:42Z)
• Improving Heterogeneous Graph Learning with Weighted Mixed-Curvature Product Manifold [4.640835690336652]
  グラフ表現学習において、入力グラフの複雑な幾何学構造、例えばノード間の隠れ関係は、埋め込み空間においてよく捉えられる。 標準ユークリッド埋め込み空間は、様々な構造のグラフを表現する能力に制限がある。 様々な構造を持つデータの忠実な埋め込みに対する有望な候補は、積多様体の埋め込み空間である。
  論文  参考訳（メタデータ） (2023-07-10T12:20:50Z)
• Modeling Graphs Beyond Hyperbolic: Graph Neural Networks in Symmetric Positive Definite Matrices [8.805129821507046]
  実世界のグラフデータは、幾何的および位相的特徴の複数のタイプによって特徴づけられる。 複雑なグラフを堅牢に処理できるグラフニューラルネットワークを構築する。
  論文  参考訳（メタデータ） (2023-06-24T21:50:53Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Hermitian Symmetric Spaces for Graph Embeddings [0.0]
  C 上の対称行列空間におけるグラフの連続表現を学ぶ。 これらの空間は双曲部分空間とユークリッド部分空間を同時に認めるリッチな幾何学を提供する。 提案するモデルは, apriori のグラフ特徴を見積もることなく, まったく異なる配置に自動的に適応することができる。
  論文  参考訳（メタデータ） (2021-05-11T18:14:52Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)
• Geometric Graph Representations and Geometric Graph Convolutions for Deep Learning on Three-Dimensional (3D) Graphs [0.8722210937404288]
  ノードとエッジからなる三次元(3次元)グラフの幾何学は、多くの重要な応用において重要な役割を果たす。 我々は3種類の幾何グラフ表現を定義する: 位置、角度幾何学、距離幾何学である。 概念実証には幾何学的グラフ畳み込みに距離幾何学的グラフ表現を用いる。 ESOLおよびFreesolデータセットの幾何グラフ畳み込みの結果は、標準グラフ畳み込みよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-06-02T17:08:59Z)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)

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。