論文の概要: Comparing Euclidean and Hyperbolic Embeddings on the WordNet Nouns Hypernymy Graph

• arxiv url: http://arxiv.org/abs/2109.07488v1
• Date: Wed, 15 Sep 2021 18:00:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-18 09:50:28.009800
• Title: Comparing Euclidean and Hyperbolic Embeddings on the WordNet Nouns Hypernymy Graph
• Title（参考訳）: wordnet 名詞 hypernymy graph 上のユークリッド埋め込みと双曲埋め込みの比較
• Authors: Sameer Bansal, Adrian Benton
• Abstract要約: 我々はNickel と Kiela の実験を再現し,WordNet 名詞ハイパーネミーグラフの埋め込みと再構成を行った。 ユークリッドの埋め込みは、少なくとも50次元を許せば、この木とポインケアの埋め込みを表現できる。
• 参考スコア（独自算出の注目度）: 8.76105323478867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nickel and Kiela (2017) present a new method for embedding tree nodes in the Poincare ball, and suggest that these hyperbolic embeddings are far more effective than Euclidean embeddings at embedding nodes in large, hierarchically structured graphs like the WordNet nouns hypernymy tree. This is especially true in low dimensions (Nickel and Kiela, 2017, Table 1). In this work, we seek to reproduce their experiments on embedding and reconstructing the WordNet nouns hypernymy graph. Counter to what they report, we find that Euclidean embeddings are able to represent this tree at least as well as Poincare embeddings, when allowed at least 50 dimensions. We note that this does not diminish the significance of their work given the impressive performance of hyperbolic embeddings in very low-dimensional settings. However, given the wide influence of their work, our aim here is to present an updated and more accurate comparison between the Euclidean and hyperbolic embeddings.
• Abstract（参考訳）: nickel and kiela (2017) は poincare ball に木ノードを埋め込む新しい方法を示し、これらの双曲埋め込みは wordnet nouns hypernymy tree のような大きな階層構造を持つグラフへの埋め込みノードでのユークリッド埋め込みよりもはるかに効果的であることを示唆している。 これは特に低次元において真である(Nickel and Kiela, 2017 Table 1)。 本研究では,wordnet nouns hypernymyグラフの埋め込みと再構成に関する実験を再現する。 彼らが報告したものとは対照的に、少なくとも50次元を許せば、ユークリッドの埋め込みはこの木とポインケアの埋め込みを表現できる。 極低次元環境における双曲的埋め込みの性能を考えると,これは作業の意義を損なうものではない。 しかしながら、これらの研究の広範な影響を踏まえ、我々はユークリッドと双曲的埋め込みの更新とより正確な比較を行うことを目標としている。

関連論文リスト

• Weighted Embeddings for Low-Dimensional Graph Representation [0.13499500088995461]
  グラフを重み付き空間に埋め込むことを提案し、これは双曲幾何学と密接に関連しているが数学的には単純である。 重み付き埋め込みは、より少ない次元を使いながら、異質グラフに対する最先端のユークリッド埋め込みを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2024-10-08T13:41:03Z)
• EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion [54.12709176438264]
  Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。 現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。 そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
  論文  参考訳（メタデータ） (2024-02-15T02:27:23Z)
• Content Augmented Graph Neural Networks [0.824969449883056]
  本稿では, ノードの埋め込みを, コンテンツから生成された埋め込みによって, 上位のGNN層に拡張することを提案する。 自動エンコーダやコンテンツグラフの構築など,コンテンツ埋め込みを生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-21T17:30:57Z)
• Alignment and Outer Shell Isotropy for Hyperbolic Graph Contrastive Learning [69.6810940330906]
  高品質なグラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。 具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。 双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
  論文  参考訳（メタデータ） (2023-10-27T15:31:42Z)
• On the Two Sides of Redundancy in Graph Neural Networks [6.14580854336436]
  我々は近所の木に基づく新しい集約手法を開発した。 近傍木をコンパクトに表現し,それらをマージし,計算冗長性を生かした。 我々の手法は従来のメッセージパッシングニューラルネットワークよりも過度に理解されにくい。
  論文  参考訳（メタデータ） (2023-10-06T12:09:09Z)
• 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)
• 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)
• A Unification Framework for Euclidean and Hyperbolic Graph Neural Networks [8.080621697426997]
  ハイパーボリックニューラルネットワークは、グラフデータセット固有の階層を効果的にキャプチャする。 層内の複数の非連続(ジャイロ-)ベクトル空間を絡み合わせることで、一般化と拡張性の観点から制限される。 検索空間としてPoincareディスクモデルを提案し,ディスク上にすべての近似を適用する。 我々のモデルは、解釈可能性や様々なモデルコンポーネントの効率的な実行といったユークリッドネットワークのパワーを利用するだけでなく、様々なベンチマークにおいてユークリッドと双曲の双方よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-09T05:33:02Z)
• node2coords: Graph Representation Learning with Wasserstein Barycenters [59.07120857271367]
  グラフの表現学習アルゴリズムである node2coords を導入する。 低次元空間を同時に学習し、その空間内のノードを座標する。 実験の結果,node2coordで学習した表現は解釈可能であることがわかった。
  論文  参考訳（メタデータ） (2020-07-31T13:14:25Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。