論文の概要: Directed Graph Embeddings in Pseudo-Riemannian Manifolds
- arxiv url: http://arxiv.org/abs/2106.08678v1
- Date: Wed, 16 Jun 2021 10:31:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-18 03:33:33.516943
- Title: Directed Graph Embeddings in Pseudo-Riemannian Manifolds
- Title(参考訳): Pseudo-Riemann多様体におけるグラフ埋め込み
- Authors: Aaron Sim, Maciej Wiatrak, Angus Brayne, P\'aid\'i Creed, Saee Paliwal
- Abstract要約: 一般的な有向グラフは、3つの成分を結合した埋め込みモデルで効果的に表現できることを示す。
本稿では,リンク予測のタスクに適用することで,この手法の表現能力を実証する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The inductive biases of graph representation learning algorithms are often
encoded in the background geometry of their embedding space. In this paper, we
show that general directed graphs can be effectively represented by an
embedding model that combines three components: a pseudo-Riemannian metric
structure, a non-trivial global topology, and a unique likelihood function that
explicitly incorporates a preferred direction in embedding space. We
demonstrate the representational capabilities of this method by applying it to
the task of link prediction on a series of synthetic and real directed graphs
from natural language applications and biology. In particular, we show that
low-dimensional cylindrical Minkowski and anti-de Sitter spacetimes can produce
equal or better graph representations than curved Riemannian manifolds of
higher dimensions.
- Abstract(参考訳): グラフ表現学習アルゴリズムの帰納的バイアスは、しばしばそれらの埋め込み空間の背景幾何に符号化される。
本稿では、一般有向グラフを、擬リーマン計量構造、非自明な大域トポロジー、埋め込み空間に優先方向を明示的に組み込む一意な確率関数という3つの成分を組み合わせた埋め込みモデルによって効果的に表現できることを示す。
本手法は,自然言語応用と生物学の一連の合成および実有向グラフをリンク予測するタスクに適用することにより,表現能力を示す。
特に、低次元のミンコフスキーおよび反ド・ジッター時空は、高次元の曲線リーマン多様体よりも等しく良いグラフ表現を生成できることを示す。
関連論文リスト
- Learning graphs and simplicial complexes from data [26.926502862698168]
利用可能なデータから基礎となるグラフトポロジを推定する新しい手法を提案する。
また、文献では2次simplicial Complex (SCs) として言及されている3-ノード相互作用を同定する。
合成および実世界のデータに対する実験結果から,既存手法と比較して,本手法の方が優れた性能を示した。
論文 参考訳(メタデータ) (2023-12-16T22:02:20Z) - 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) - 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) - Tight and fast generalization error bound of graph embedding in metric
space [54.279425319381374]
非ユークリッド計量空間へのグラフ埋め込みは、既存の有界よりもはるかに少ない訓練データを持つユークリッド空間におけるグラフ埋め込みよりも優れていることを示す。
我々の新しい上限は、既存の上限よりもかなり強く速く、最大で$R$と$O(frac1S)$に指数関数できる。
論文 参考訳(メタデータ) (2023-05-13T17:29:18Z) - Graphon Pooling for Reducing Dimensionality of Signals and Convolutional
Operators on Graphs [131.53471236405628]
グラフ空間における[0, 1]2の分割上のグラフとグラフ信号の誘導的グラフ表現を利用する3つの方法を提案する。
これらの低次元表現がグラフとグラフ信号の収束列を構成することを証明している。
我々は,層間次元減少比が大きい場合,グラノンプーリングは文献で提案した他の手法よりも有意に優れていることを観察した。
論文 参考訳(メタデータ) (2022-12-15T22:11:34Z) - Latent Graph Inference using Product Manifolds [0.0]
遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。
我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
論文 参考訳(メタデータ) (2022-11-26T22:13:06Z) - Graph Embeddings via Tensor Products and Approximately Orthonormal Codes [0.0]
この表現は超次元計算におけるバインド・アンド・サムのアプローチに該当することを示す。
提案手法の動作を特徴付けるいくつかの正確な結果を確立した。
大規模なスパースグラフの動的圧縮表現へのその応用を簡潔に議論する。
論文 参考訳(メタデータ) (2022-08-18T10:56:37Z) - 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) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳(メタデータ) (2020-06-19T13:09:44Z) - 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) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。