論文の概要: Unsupervised Hyperbolic Representation Learning via Message Passing
Auto-Encoders
- arxiv url: http://arxiv.org/abs/2103.16046v1
- Date: Tue, 30 Mar 2021 03:09:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 14:45:54.354901
- Title: Unsupervised Hyperbolic Representation Learning via Message Passing
Auto-Encoders
- Title（参考訳）: メッセージパッシングオートエンコーダによる教師なし双曲表現学習
- Authors: Jiwoong Park, Junho Cho, Hyung Jin Chang, Jin Young Choi
- Abstract要約: 本稿では,教師なしタスクが双曲空間における学習表現からどのように恩恵を受けるかを分析する。
ラベルなしデータの階層構造を双曲空間でいかにうまく表現できるかを探索するために、我々は新しい双曲メッセージパッシングオートエンコーダを設計する。
提案モデルでは,メッセージパッシングにおける双曲幾何をフルに活用し,ネットワークの自動符号化を行う。
- 参考スコア（独自算出の注目度）: 29.088604461911892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most of the existing literature regarding hyperbolic embedding concentrate
upon supervised learning, whereas the use of unsupervised hyperbolic embedding
is less well explored. In this paper, we analyze how unsupervised tasks can
benefit from learned representations in hyperbolic space. To explore how well
the hierarchical structure of unlabeled data can be represented in hyperbolic
spaces, we design a novel hyperbolic message passing auto-encoder whose overall
auto-encoding is performed in hyperbolic space. The proposed model conducts
auto-encoding the networks via fully utilizing hyperbolic geometry in message
passing. Through extensive quantitative and qualitative analyses, we validate
the properties and benefits of the unsupervised hyperbolic representations.
Codes are available at https://github.com/junhocho/HGCAE.
- Abstract（参考訳）: ハイパーボリック埋め込みに関する既存の文献のほとんどは教師あり学習に集中しているが、教師なしハイパーボリック埋め込みの使用は十分に研究されていない。
本稿では,教師なしタスクが双曲空間における学習表現からどのように恩恵を受けるかを分析する。
ラベルなしデータの階層構造が双曲空間においていかにうまく表現できるかを検討するため,双曲空間において全自動エンコーディングを行う新しい双曲メッセージパスオートエンコーダを設計した。
提案モデルは,メッセージパッシングにおける双曲幾何学を完全に活用して,ネットワークの自動符号化を行う。
定量的・定性的解析により,教師なし双曲表現の特性と利点を検証する。
コードはhttps://github.com/junhocho/HGCAEで入手できる。
関連論文リスト
- Hyperbolic Delaunay Geometric Alignment [52.835250875177756]
双曲空間におけるデータセットの比較のための類似度スコアを提案する。
中心となる考え方は、与えられた集合をまたいだデータポイントを接続する双曲デラウネーグラフのエッジを数えることである。
人工および実生活の生物学的データに関する実証的研究を行い、HyperDGAが集合間の古典的距離の双曲バージョンより優れていることを示す。
論文 参考訳（メタデータ） (2024-04-12T17:14:58Z) - Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of
the Same Coin [49.12496652756007]
この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。
従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
論文 参考訳（メタデータ） (2023-09-18T14:51:46Z) - HMSN: Hyperbolic Self-Supervised Learning by Clustering with Ideal
Prototypes [7.665392786787577]
プロトタイプに基づくクラスタリング手法の自己教師付き表現学習には,双曲表現空間を用いる。
我々はMasked Siamese Networksを拡張し、双曲空間のPoincar'eボールモデルで操作する。
従来の手法とは異なり、エンコーダネットワークの出力における双曲空間に投影し、双曲投影ヘッドを利用して、下流タスクに使用される表現が双曲的であることを保証する。
論文 参考訳（メタデータ） (2023-05-18T12:38:40Z) - FFHR: Fully and Flexible Hyperbolic Representation for Knowledge Graph
Completion [45.470475498688344]
双曲空間におけるいくつかの重要な操作は、まだ良い定義を欠いているため、既存の方法では双曲空間の利点を十分に活用できない。
我々は,近年のユークリッド対応の進歩を双曲空間に転送できるtextbfFully と textbfFlexible textbfHyperbolic textbfRepresentation フレームワーク (textbfFFHR) を開発した。
論文 参考訳（メタデータ） (2023-02-07T14:50:28Z) - HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric
Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。
具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。
提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文 参考訳（メタデータ） (2022-04-18T06:11:44Z) - Enhancing Hyperbolic Graph Embeddings via Contrastive Learning [7.901082408569372]
複数の双曲空間を通してノード表現を学習する新しいハイパーボリックグラフコントラスト学習(HGCL)フレームワークを提案する。
複数の実世界のデータセットに対する実験結果は、提案したHGCLの優位性を示している。
論文 参考訳（メタデータ） (2022-01-21T06:10:05Z) - Fully Hyperbolic Neural Networks [63.22521652077353]
ローレンツモデルに基づく双曲型ネットワークを構築するための,完全双曲型フレームワークを提案する。
提案手法は,浅層ネットワークと深層ネットワークの両方を構築する上で,優れた性能を示す。
論文 参考訳（メタデータ） (2021-05-31T03:36:49Z) - Robust Large-Margin Learning in Hyperbolic Space [64.42251583239347]
ユークリッド空間ではなく双曲型で分類器を学ぶための最初の理論的保証を示す。
本研究では, 対向例の慎重な注入に頼って, 大面積超平面を効率よく学習するアルゴリズムを提案する。
双曲空間によく埋め込まれる階層的データに対して、低埋め込み次元は優れた保証を保証することを証明している。
論文 参考訳（メタデータ） (2020-04-11T19:11:30Z)
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。