論文の概要: Semi-Riemannian Graph Convolutional Networks
- arxiv url: http://arxiv.org/abs/2106.03134v1
- Date: Sun, 6 Jun 2021 14:23:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-13 16:02:30.352434
- Title: Semi-Riemannian Graph Convolutional Networks
- Title(参考訳): 半リーマングラフ畳み込みネットワーク
- Authors: Bo Xiong, Shichao Zhu, Nico Potyka, Shirui Pan, Chuan Zhou, Steffen
Staab
- Abstract要約: まず、定数非零曲率の半リーマン多様体のデータをモデル化する原理付きセミリーマンGCNを開発する。
本手法は,階層型グラフのような混合ヘテロジニアストポロジーをサイクルでモデル化するのに十分柔軟である幾何学的帰納バイアスを与える。
- 参考スコア(独自算出の注目度): 36.09315878397234
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Convolutional Networks (GCNs) are typically studied through the lens of
Euclidean geometry. Non-Euclidean Riemannian manifolds provide specific
inductive biases for embedding hierarchical or spherical data, but cannot align
well with data of mixed topologies. We consider a larger class of
semi-Riemannian manifolds with indefinite metric that generalize hyperboloid
and sphere as well as their submanifolds. We develop new geodesic tools that
allow for extending neural network operations into geodesically disconnected
semi-Riemannian manifolds. As a consequence, we derive a principled
Semi-Riemannian GCN that first models data in semi-Riemannian manifolds of
constant nonzero curvature in the context of graph neural networks. Our method
provides a geometric inductive bias that is sufficiently flexible to model
mixed heterogeneous topologies like hierarchical graphs with cycles. Empirical
results demonstrate that our method outperforms Riemannian counterparts when
embedding graphs of complex topologies.
- Abstract(参考訳): グラフ畳み込みネットワーク(GCN)は通常ユークリッド幾何学のレンズを通して研究される。
非ユークリッドリーマン多様体は階層的あるいは球面的なデータを埋め込むための特定の帰納的バイアスを与えるが、混合トポロジーのデータとうまく一致しない。
ハイパーボロイドと球面を一般化する不定距離を持つ半リーマン多様体のより大きいクラスとそれらの部分多様体を考える。
我々は,ニューラルネットワーク操作を測地的に非連結な半リーマン多様体に拡張できる新しい測地ツールを開発した。
その結果、グラフニューラルネットワークの文脈で、定数非零曲率の半リーマン多様体でデータを最初にモデル化する原理付き半リーマン gcn が導出される。
本手法は,階層型グラフのような混合ヘテロジニアストポロジーをサイクルでモデル化するのに十分柔軟である幾何学的帰納バイアスを与える。
実験の結果, 複素位相のグラフを埋め込む場合, 本手法はリーマン法よりも優れていることがわかった。
関連論文リスト
- Generalization of Geometric Graph Neural Networks [84.01980526069075]
幾何グラフニューラルネットワーク(GNN)の一般化能力について検討する。
我々は,このGNNの最適経験リスクと最適統計リスクとの一般化ギャップを証明した。
最も重要な観察は、前の結果のようにグラフのサイズに制限されるのではなく、1つの大きなグラフで一般化能力を実現することができることである。
論文 参考訳(メタデータ) (2024-09-08T18:55:57Z) - Curvature-Independent Last-Iterate Convergence for Games on Riemannian
Manifolds [77.4346324549323]
本研究では, 多様体の曲率に依存しないステップサイズが, 曲率非依存かつ直線的最終点収束率を達成することを示す。
我々の知る限りでは、曲率非依存率や/または最終点収束の可能性はこれまでに検討されていない。
論文 参考訳(メタデータ) (2023-06-29T01:20:44Z) - Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。
要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
論文 参考訳(メタデータ) (2022-10-01T21:17:39Z) - Curvature Graph Generative Adversarial Networks [31.763904668737304]
GAN(Generative Adversarial Network)は,グラフデータの一般化と堅牢な学習に広く利用されている。
既存のGANグラフ表現法は、離散空間におけるランダムウォークやトラバースによって負のサンプルを生成する。
CurvGANは、複数のタスクにまたがる最先端のメソッドよりも一貫して、大幅に優れています。
論文 参考訳(メタデータ) (2022-03-03T10:00:32Z) - 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) - A singular Riemannian geometry approach to Deep Neural Networks I.
Theoretical foundations [77.86290991564829]
ディープニューラルネットワークは、音声認識、機械翻訳、画像解析など、いくつかの科学領域で複雑な問題を解決するために広く使われている。
我々は、リーマン計量を備えた列の最後の多様体で、多様体間の写像の特定の列を研究する。
このようなシーケンスのマップの理論的性質について検討し、最終的に実践的な関心を持つニューラルネットワークの実装間のマップのケースに焦点を当てる。
論文 参考訳(メタデータ) (2021-12-17T11:43:30Z) - Ultrahyperbolic Representation Learning [13.828165530602224]
機械学習では、データは通常、点間の距離が直線に沿っているユークリッド空間で表現される。
定数非零曲率の擬リーマン多様体上に存在する表現を提案する。
この幾何学において必要な学習ツールを提供し、勾配に基づく最適化手法を拡張した。
論文 参考訳(メタデータ) (2020-07-01T03:49:24Z) - Neural Ordinary Differential Equations on Manifolds [0.342658286826597]
近年、ニューラルODEに基づくユークリッド空間の正規化フローは大きな可能性を秘めているが、同じ制限を被っている。
ベクトル場がこれらの空間上の可逆写像の柔軟なクラスをパラメータ化するための一般的なフレームワークを提供する方法を示す。
論文 参考訳(メタデータ) (2020-06-11T17:56:34Z) - Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric
graphs [81.12344211998635]
メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。
本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。
本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
論文 参考訳(メタデータ) (2020-03-11T17:21:15Z) - 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。