論文の概要: Curvature Regularization to Prevent Distortion in Graph Embedding

• arxiv url: http://arxiv.org/abs/2011.14211v1
• Date: Sat, 28 Nov 2020 20:16:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 19:11:58.571757
• Title: Curvature Regularization to Prevent Distortion in Graph Embedding
• Title（参考訳）: グラフ埋め込みにおける歪み防止のための曲率正則化
• Authors: Hongbin Pei, Bingzhe Wei, Kevin Chen-Chuan Chang, Chunxu Zhang, Bo Yang
• Abstract要約: 我々は近接保存戦略に関して重要だが無視された問題について議論する。 グラフ位相パターンは埋め込み多様体によく保存されているが、周囲の埋め込みユークリッド空間で歪むことがある。 ABS曲率(ABS曲率)と呼ばれる新しい角度に基づく断面曲率を示し,それに応じて3種類の曲率正則化を行う。
• 参考スコア（独自算出の注目度）: 15.383135890096462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent research on graph embedding has achieved success in various applications. Most graph embedding methods preserve the proximity in a graph into a manifold in an embedding space. We argue an important but neglected problem about this proximity-preserving strategy: Graph topology patterns, while preserved well into an embedding manifold by preserving proximity, may distort in the ambient embedding Euclidean space, and hence to detect them becomes difficult for machine learning models. To address the problem, we propose curvature regularization, to enforce flatness for embedding manifolds, thereby preventing the distortion. We present a novel angle-based sectional curvature, termed ABS curvature, and accordingly three kinds of curvature regularization to induce flat embedding manifolds during graph embedding. We integrate curvature regularization into five popular proximity-preserving embedding methods, and empirical results in two applications show significant improvements on a wide range of open graph datasets.
• Abstract（参考訳）: グラフ埋め込みに関する最近の研究は、様々なアプリケーションで成功している。 ほとんどのグラフ埋め込み法は、埋め込み空間内の多様体へのグラフの近接を保つ。 グラフトポロジーパターンは、近接を保存することによって埋め込み多様体によく保存されるが、周囲の埋め込みユークリッド空間で歪曲する可能性があるため、機械学習モデルでは検出が困難になる。 この問題に対処するため, 曲率正則化を提案し, 埋め込み多様体の平坦性を強制し, 歪みを防止した。 ABS曲率と呼ばれる新しい角度に基づく断面曲率を示し、それに従って3種類の曲率正規化を行い、グラフ埋め込み中に平坦な埋め込み多様体を誘導する。 曲率正規化を5つの一般的な近接保存埋め込み手法に統合し、2つのアプリケーションにおける経験的結果から、幅広いオープングラフデータセットに顕著な改善が見られた。

関連論文リスト

• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• 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)
• Mitigating Over-Smoothing and Over-Squashing using Augmentations of Forman-Ricci Curvature [1.1126342180866644]
  スケーラブルな曲率表記法であるAFRC(Augmented Forman-Ricci curvature)に基づく書き換え手法を提案する。 AFRCはメッセージパッシングGNNにおける過剰なスムースと過剰なスキャッシング効果を効果的に特徴付ける。
  論文  参考訳（メタデータ） (2023-09-17T21:43:18Z)
• Curve Your Attention: Mixed-Curvature Transformers for Graph Representation Learning [77.1421343649344]
  本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。 また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
  論文  参考訳（メタデータ） (2023-09-08T02:44:37Z)
• Contrastive Graph Clustering in Curvature Spaces [74.03252813800334]
  本研究では,CONGREGATE という新しいグラフクラスタリングモデルを提案する。 幾何学的クラスタリングを支援するため、理論的に基底とした不均一曲率空間を構築した。 次に、拡張不要な再重み付きコントラスト的アプローチでグラフクラスタをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-05T14:04:52Z)
• Are Gradients on Graph Structure Reliable in Gray-box Attacks? [56.346504691615934]
  従来のグレーボックス攻撃者は、グラフ構造を乱すために、サロゲートモデルからの勾配を用いて脆弱なエッジを見つける。 本稿では,構造勾配の不確実性に起因する誤差を考察し,解析する。 本稿では,構造勾配の誤差を低減する手法を用いた新しい攻撃モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-07T06:43:32Z)
• Heterogeneous manifolds for curvature-aware graph embedding [6.3351090376024155]
  グラフ埋め込みは、広範囲のGraph MLアプリケーションで使用されている。 そのような埋め込みの質は、空間の幾何学がグラフの幾何学と一致するかどうかに決定的に依存する。
  論文  参考訳（メタデータ） (2022-02-02T18:18:35Z)
• Multilayer Graph Clustering with Optimized Node Embedding [70.1053472751897]
  多層グラフクラスタリングは、グラフノードをカテゴリまたはコミュニティに分割することを目指しています。 与えられた多層グラフの層をクラスタリングに親しみやすい埋め込みを提案する。 実験の結果,本手法は著しい改善をもたらすことがわかった。
  論文  参考訳（メタデータ） (2021-03-30T17:36:40Z)
• Learning Linear Non-Gaussian Graphical Models with Multidirected Edges [8.71151886950158]
  観測データを用いた線形非ガウス構造方程式モデルの非巡回混合グラフを学習するための新しい手法を提案する。 そこで本研究では,複数方向のエッジのみでなく,複数方向のエッジを学習することで,復元モデルの隠れ変数構造を増大させることができることを示す。
  論文  参考訳（メタデータ） (2020-10-11T18:10:15Z)
• Computationally Tractable Riemannian Manifolds for Graph Embeddings [10.420394952839242]
  我々は、ある曲面リーマン空間におけるグラフ埋め込みを学習し、最適化する方法を示す。 我々の結果は、機械学習パイプラインにおける非ユークリッド埋め込みの利点の新たな証拠として役立ちます。
  論文  参考訳（メタデータ） (2020-02-20T10:55:47Z)

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。