Fugu-MT 論文翻訳(概要): Visualising Argumentation Graphs with Graph Embeddings and t-SNE

論文の概要: Visualising Argumentation Graphs with Graph Embeddings and t-SNE

arxiv url: http://arxiv.org/abs/2107.00528v1
Date: Thu, 1 Jul 2021 15:13:24 GMT
ステータス: 処理完了
システム内更新日: 2021-07-02 17:19:03.980999
Title: Visualising Argumentation Graphs with Graph Embeddings and t-SNE
Title（参考訳）: グラフ埋め込みとt-SNEによるArgumentation Graphの可視化
Authors: Lars Malmqvist, Tommy Yuan, Suresh Manandhar
Abstract要約: 本稿では、ディープニューラルネットワーク研究に精通した可視化技術であるt-SNEを議論グラフに適用する。このような視覚化アプローチが議論に有効であることを示し、議論グラフの興味深い構造特性を示す。
参考スコア（独自算出の注目度）: 2.328424398299961
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper applies t-SNE, a visualisation technique familiar from Deep Neural Network research to argumentation graphs by applying it to the output of graph embeddings generated using several different methods. It shows that such a visualisation approach can work for argumentation and show interesting structural properties of argumentation graphs, opening up paths for further research in the area.
Abstract（参考訳）: 本稿では,ディープニューラルネットワーク研究に精通した可視化手法であるt-sneを,複数の異なる手法を用いて生成されたグラフ埋め込みの出力に適用することにより,議論グラフに適用する。このような視覚化アプローチは議論に役立ち、議論グラフの興味深い構造特性を示し、この分野のさらなる研究の道を開くことを示している。

関連論文リスト

A survey on Graph Deep Representation Learning for Facial Expression Recognition [2.225739953805382]
グラフ表現学習(GRL)を通して表情認識(FER)に適用される様々な手法について深く考察する。本稿では,FERの課題とグラフ表現とGRLの概念を紹介する。
論文参考訳（メタデータ） (2024-11-13T09:46:08Z)
Disentangled Generative Graph Representation Learning [51.59824683232925]
本稿では,自己教師型学習フレームワークであるDiGGR(Disentangled Generative Graph Representation Learning)を紹介する。潜伏要因を学習し、それをグラフマスクモデリングのガイドとして活用することを目的としている。 2つの異なるグラフ学習タスクのための11の公開データセットの実験は、DiGGRが従来よりも一貫して多くの自己教師付きメソッドを上回っていることを示している。
論文参考訳（メタデータ） (2024-08-24T05:13:02Z)
Probability Passing for Graph Neural Networks: Graph Structure and Representations Joint Learning [8.392545965667288]
グラフニューラルネットワーク(GNN)は、幅広い領域にわたる非ユークリッドデータの解析において顕著な成功を収めている。この問題を解決するために、ノード特徴の類似性やエッジ確率を計算することにより、タスク固有の潜在構造を推論するために、遅延グラフ推論(LGI)を提案する。本稿では,隣接ノードのエッジ確率を集約することにより,生成したグラフ構造を洗練するためのProbability Passingという新しい手法を提案する。
論文参考訳（メタデータ） (2024-07-15T13:01:47Z)
Graph Neural Network for Stress Predictions in Stiffened Panels Under Uniform Loading [0.0]
グラフニューラルネットワーク(Graph Neural Network, GNN)は、グラフとして表現可能なデータを処理するニューラルネットワークの一種である。本研究では,3次元強化パネルの効率的な表現のための新しいグラフ埋め込み手法を提案する。
論文参考訳（メタデータ） (2023-09-22T17:34:20Z)
An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
論文参考訳（メタデータ） (2022-06-01T09:59:09Z)
Towards Explanation for Unsupervised Graph-Level Representation Learning [108.31036962735911]
既存の説明手法は,教師付き設定,例えばノード分類,グラフ分類に重点を置いているが,教師なしグラフレベルの表現学習に関する説明はまだ探索されていない。本稿では,非教師付きグラフ表現における説明問題に対処するために,インフォメーション・ボトルネックの原則(IB)を推進し,新しい原理であるtextitUnsupervised Subgraph Information Bottleneck(USIB)を導出する。また,グラフ表現とラベル空間上の説明部分グラフの関連性も理論的に解析し,表現の堅牢性が説明部分グラフの忠実性に寄与することを明らかにする。
論文参考訳（メタデータ） (2022-05-20T02:50:15Z)
Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文参考訳（メタデータ） (2021-06-26T06:24:51Z)
Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文参考訳（メタデータ） (2020-07-18T01:11:14Z)
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)
Quantifying Challenges in the Application of Graph Representation Learning [0.0]
私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。実世界のグラフ特性に関する表現力を評価する。 GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
論文参考訳（メタデータ） (2020-06-18T03:19:43Z)
Knowledge Embedding Based Graph Convolutional Network [35.35776808660919]
本稿では,知識埋め込みに基づくグラフ畳み込みネットワーク(KE-GCN)という新しいフレームワークを提案する。 KE-GCNはグラフベースの信念伝播におけるグラフ畳み込みネットワーク(GCN)のパワーと高度な知識埋め込み手法の強みを組み合わせたものである。理論的解析により、KE-GCNはいくつかのよく知られたGCN法のエレガントな統一を具体例として示している。
論文参考訳（メタデータ） (2020-06-12T17:12:51Z)

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。