Fugu-MT 論文翻訳(概要): An Impossibility Theorem for Node Embedding

論文の概要: An Impossibility Theorem for Node Embedding

arxiv url: http://arxiv.org/abs/2105.13251v1
Date: Thu, 27 May 2021 15:48:41 GMT
ステータス: 処理完了
システム内更新日: 2021-05-28 16:29:37.479079
Title: An Impossibility Theorem for Node Embedding
Title（参考訳）: ノード埋め込みの不可能性理論
Authors: T. Mitchell Roddenberry, Yu Zhu, Santiago Segarra
Abstract要約: 本稿では,ノード埋め込み法を理解するための公理的アプローチを提案する。ある種の公理的仮定の下でのクラスタリングの不可能性に関する既存の結果と同様、これはノード埋め込みタスクに固有の根本的な困難を指摘する。
参考スコア（独自算出の注目度）: 22.409597525888532
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the increasing popularity of graph-based methods for dimensionality reduction and representation learning, node embedding functions have become important objects of study in the literature. In this paper, we take an axiomatic approach to understanding node embedding methods, first stating three properties for embedding dissimilarity networks, then proving that all three cannot be satisfied simultaneously by any node embedding method. Similar to existing results on the impossibility of clustering under certain axiomatic assumptions, this points to fundamental difficulties inherent to node embedding tasks. Once these difficulties are identified, we then relax these axioms to allow for certain node embedding methods to be admissible in our framework.
Abstract（参考訳）: 次元減少と表現学習のためのグラフベースの手法の人気が高まり、ノード埋め込み関数は文学において重要な研究対象となっている。本稿では,ノード埋め込み法を理解するための公理的なアプローチを取り,まず,類似性ネットワークを組込むための3つの性質を述べる。ある種の公理的仮定の下でのクラスタリングの不可能性に関する既存の結果と同様、これはノード埋め込みタスクに固有の根本的な困難を指摘する。これらの困難が特定されると、これらの公理を緩和して、特定のノード埋め込みメソッドをフレームワークで許容できるようにします。

関連論文リスト

Scalable Deep Metric Learning on Attributed Graphs [10.092560681589578]
本研究では,深度測定と非偏差学習を併用したグラフ埋め込み手法を提案する。マルチクラス損失関数に基づいて、半教師なし学習のためのDMTと教師なしケースのためのDMAT-iという2つのアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-11-20T03:34:31Z)
Querying Triadic Concepts through Partial or Complete Matching of Triples [0.0]
Inverted index を用いて三重項の部分的あるいは完全マッチングを通じて三重項概念を問合せする新しい手法を提案する。私たちのソリューションは優れた効率を示すが、スケーラビリティの向上も強調しており、ビッグデータのシナリオに適しています。
論文参考訳（メタデータ） (2024-01-04T18:44:12Z)
Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
論文参考訳（メタデータ） (2023-06-04T02:32:12Z)
From axioms over graphs to vectors, and back again: evaluating the properties of graph-based ontology embeddings [78.217418197549]
埋め込みを生成するアプローチの1つは、名前付きエンティティと論理公理構造のためのノードとエッジのセットを導入することである。グラフに埋め込む方法(グラフ射影)は、それらが利用する公理の種類と異なる性質を持つ。
論文参考訳（メタデータ） (2023-03-29T08:21:49Z)
Searching Dense Point Correspondences via Permutation Matrix Learning [50.764666304335]
本稿では,3次元点雲の高密度対応を推定するエンド・ツー・エンドの学習手法を提案する。本手法は,高密度対応学習のための最先端性能を実現する。
論文参考訳（メタデータ） (2022-10-26T17:56:09Z)
Object Scan Context: Object-centric Spatial Descriptor for Place Recognition within 3D Point Cloud Map [11.183837437300985]
主オブジェクトを中心に構築された新しいローカル記述子を提案する。幾何的手法を用いることで、相対的なポーズを正確に計算できる。我々は, KITTI Odometry と KITTI360 について広範な実験を行った。
論文参考訳（メタデータ） (2022-06-07T07:27:28Z)
Discriminative Attribution from Counterfactuals [64.94009515033984]
本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
論文参考訳（メタデータ） (2021-09-28T00:53:34Z)
Asymptotics of Network Embeddings Learned via Subsampling [4.23373349945751]
本研究では,ノード2vecのようなサブサンプリング手法を用いて,単一の統一フレームワークへの表現手法について検討する。これは、埋め込みベクトルが何を表現し、これらのメソッドが下流のタスクでいかにうまく機能するかを理解するための理論的基盤を提供する。特に、一般的に使用される損失関数は、Fisher整合性の欠如などの欠点を引き起こす可能性があることを観察する。
論文参考訳（メタデータ） (2021-07-06T02:54:53Z)
Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文参考訳（メタデータ） (2020-11-25T14:00:18Z)
Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文参考訳（メタデータ） (2020-10-23T14:49:02Z)
Conformal retrofitting via Riemannian manifolds: distilling task-specific graphs into pretrained embeddings [1.2970250708769708]
事前訓練された埋め込みは、多くの機械学習アプリケーションにおいて中心となる、単語のようなエンティティのタスクに依存しない汎用的特徴表現である。既存のリトライフィッティングアルゴリズムは、2つの制限に直面している。本稿では,非ユークリッド多様体に事前学習した埋め込みから局所幾何学を保存する新しい正規化器,共形正規化器,および,非ユークリッド多様体への埋め込みを学習するフィードフォワード層を提案する。
論文参考訳（メタデータ） (2020-10-09T23:06:57Z)

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。