論文の概要: Enhancing Hierarchical Information by Using Metric Cones for Graph Embedding

• arxiv url: http://arxiv.org/abs/2102.08014v1
• Date: Tue, 16 Feb 2021 08:23:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-17 15:22:42.314313
• Title: Enhancing Hierarchical Information by Using Metric Cones for Graph Embedding
• Title（参考訳）: グラフ埋め込みにおけるメトリックコーンを用いた階層情報強化
• Authors: Daisuke Takehara, Kei Kobayashi
• Abstract要約: Poincar'e埋め込みはグラフの階層構造を捉えるために提案されている。 既存の手法の多くは埋め込み空間に等尺写像を持つ。 このような問題を解決するために,計量円錐にグラフ埋め込みを提案する。
• 参考スコア（独自算出の注目度）: 3.700709497727248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph embedding is becoming an important method with applications in various areas, including social networks and knowledge graph completion. In particular, Poincar\'e embedding has been proposed to capture the hierarchical structure of graphs, and its effectiveness has been reported. However, most of the existing methods have isometric mappings in the embedding space, and the choice of the origin point can be arbitrary. This fact is not desirable when the distance from the origin is used as an indicator of hierarchy, as in the case of Poincar\'e embedding. In this paper, we propose graph embedding in a metric cone to solve such a problem, and we gain further benefits: 1) we provide an indicator of hierarchical information that is both geometrically and intuitively natural to interpret, 2) we can extract the hierarchical structure from a graph embedding output of other methods by learning additional one-dimensional parameters, and 3) we can change the curvature of the embedding space via a hyperparameter.
• Abstract（参考訳）: グラフ埋め込みは、ソーシャルネットワークやナレッジグラフ補完など、さまざまな分野のアプリケーションで重要な方法になりつつある。 特にPoincar\'e埋め込みはグラフの階層構造を捕捉するために提案されており、その効果が報告されている。 しかし、既存の方法の多くは埋め込み空間に等尺写像を持ち、原点の選択は任意である。 この事実は、ポアンカル(poincar\'e)埋め込みの場合のように、原点からの距離を階層の指標として使う場合には望ましくない。 本稿では,このような問題を解決するために,計量円錐にグラフ埋め込みを提案し,さらに利点を得る:1)幾何学的にも直感的にも解釈に自然である階層情報の指標を提供する;2)他の手法のグラフ埋め込み出力から階層構造を抽出し,3)ハイパーパラメータによって埋め込み空間の曲率を変化させる。

関連論文リスト

• Semantic Random Walk for Graph Representation Learning in Attributed Graphs [2.318473106845779]
  本稿では,2つの異種ソースの結合最適化を高次近接ベースフレームワークに定式化するための新しい意味グラフ表現(SGR)法を提案する。 高次トポロジ確率を考慮した従来の埋め込み法は、新しく構築されたグラフに容易に適用でき、ノードと属性の両方の表現を学習することができる。 学習された属性の埋め込みは、セマンティック指向の推論タスクを効果的にサポートし、グラフの深いセマンティックを明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-05-11T02:35:16Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、意味のある知識を伝達するための自然な橋渡しを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Graph Augmentation Clustering Network [62.14947717995577]
  本稿では,クラスタリング性能を向上させるために,初期グラフを適応的に拡張できる新しいグラフ拡張クラスタリングネットワークを提案する。 特に,DBLPの最良のベースラインよりもARIを9.39%以上改善する。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Hub-aware Random Walk Graph Embedding Methods for Classification [68.8204255655161]
  ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。 提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
  論文  参考訳（メタデータ） (2022-09-15T20:41:18Z)
• Digraphwave: Scalable Extraction of Structural Node Embeddings via Diffusion on Directed Graphs [20.432261314154804]
  Digraphwaveは、有向グラフ上の構造ノード埋め込みを抽出するスケーラブルなアルゴリズムである。 この2つの組込み強化は、自己同型アイデンティティの分類において、マクロF1スコアの顕著な増加につながることが示されている。
  論文  参考訳（メタデータ） (2022-07-20T19:03:35Z)
• Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
  現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。 本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。 この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
  論文  参考訳（メタデータ） (2022-05-31T12:24:01Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Graph Transplant: Node Saliency-Guided Graph Mixup with Local Structure Preservation [27.215800308343322]
  グラフトランスポート(Graph Transplant)と呼ばれるグラフレベルでMixupライクなグラフ拡張手法を提案する。 本手法では, 局所情報を保存可能な混合単位としてサブ構造を同定する。 複数のグラフ分類ベンチマークデータセットを用いて,多様なGNNアーキテクチャを用いて提案手法を広範囲に検証する。
  論文  参考訳（メタデータ） (2021-11-10T11:10:13Z)
• Understanding graph embedding methods and their applications [1.14219428942199]
  グラフ埋め込み技術は、高次元スパースグラフを低次元密度連続ベクトル空間に変換するのに有効である。 生成した非線形かつ高情報性の高いグラフ埋め込みは、異なる下流グラフ解析タスクに便利に利用することができる。
  論文  参考訳（メタデータ） (2020-12-15T00:30:22Z)

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。