論文の概要: A Unification Framework for Euclidean and Hyperbolic Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2206.04285v3
• Date: Tue, 6 Jun 2023 12:38:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 23:49:56.136761
• Title: A Unification Framework for Euclidean and Hyperbolic Graph Neural Networks
• Title（参考訳）: ユークリッドおよび双曲グラフニューラルネットワークのための統一フレームワーク
• Authors: Mehrdad Khatir, Nurendra Choudhary, Sutanay Choudhury, Khushbu Agarwal, Chandan K. Reddy
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.080621697426997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperbolic neural networks can effectively capture the inherent hierarchy of graph datasets, and consequently a powerful choice of GNNs. However, they entangle multiple incongruent (gyro-)vector spaces within a layer, which makes them limited in terms of generalization and scalability. In this work, we propose the Poincare disk model as our search space, and apply all approximations on the disk (as if the disk is a tangent space derived from the origin), thus getting rid of all inter-space transformations. Such an approach enables us to propose a hyperbolic normalization layer and to further simplify the entire hyperbolic model to a Euclidean model cascaded with our hyperbolic normalization layer. We applied our proposed nonlinear hyperbolic normalization to the current state-of-the-art homogeneous and multi-relational graph networks. We demonstrate that our model not only leverages the power of Euclidean networks such as interpretability and efficient execution of various model components, but also outperforms both Euclidean and hyperbolic counterparts on various benchmarks. Our code is made publicly available at https://github.com/oom-debugger/ijcai23.
• Abstract（参考訳）: 双曲型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捉え、結果としてGNNの強力な選択となる。 しかし、それらは層内の複数の不連続(ジャイロ-)ベクトル空間を絡み合わせるため、一般化と拡張性の観点から制限される。 本研究では,ポインケアディスクモデルを探索空間として提案し,ディスク上のすべての近似(原点から派生した接空間であるかのように)を適用し,空間間の変換をすべて排除する。 このようなアプローチにより、双曲正規化層を提案し、双曲正規化層でカスケードされたユークリッドモデルへの双曲モデル全体をさらに単純化することができる。 提案した非線形双曲正規化を,現在最先端の同質および多値グラフネットワークに適用した。 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。 私たちのコードはhttps://github.com/oom-debugger/ijcai23で公開されています。

関連論文リスト

• 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)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Node-Specific Space Selection via Localized Geometric Hyperbolicity in Graph Neural Networks [38.7842803074593]
  多くのグラフニューラルネットワークはユークリッド空間または双曲空間でグラフ表現を学ぶために開発された。 本稿では,局所双曲性の2つの概念を解析し,その基礎となる局所幾何学について述べる。 本モデルでは,学習中にユークリッド空間と双曲空間の両方を利用することができることを示す。
  論文  参考訳（メタデータ） (2023-03-03T06:04:42Z)
• Hyperbolic Hierarchical Knowledge Graph Embeddings for Link Prediction in Low Dimensions [11.260501547769636]
  我々は、$textbfHyp$erbolic $textbfH$ierarchical $textbfKGE$ (HypHKGE)と呼ばれる新しいKGEモデルを提案する。 このモデルは、双曲空間に対する注意に基づく学習可能な曲率を導入し、リッチなセマンティック階層を保存するのに役立つ。 3つのベンチマークデータセットに対するHypHKGEモデルの有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2022-04-28T03:41:41Z)
• HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
  HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。 具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。 提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
  論文  参考訳（メタデータ） (2022-04-18T06:11:44Z)
• Nested Hyperbolic Spaces for Dimensionality Reduction and Hyperbolic NN Design [8.250374560598493]
  ハイパーボリックニューラルネットワークは、階層的なデータセットを効率的かつ効率的に表現できることから、近年人気がある。 これらのネットワークを開発する際の課題は、埋め込み空間、すなわち双曲空間の非線形性にある。 本稿では, 射影(埋め込み)の概念と, 内在的な凝集, 双曲空間内の非線形性を併用した, 完全双曲型ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-12-03T03:20:27Z)
• ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
  本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。 複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-10-15T07:18:57Z)
• Fully Hyperbolic Neural Networks [63.22521652077353]
  ローレンツモデルに基づく双曲型ネットワークを構築するための,完全双曲型フレームワークを提案する。 提案手法は,浅層ネットワークと深層ネットワークの両方を構築する上で,優れた性能を示す。
  論文  参考訳（メタデータ） (2021-05-31T03:36:49Z)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)
• Latent Variable Modelling with Hyperbolic Normalizing Flows [35.1659722563025]
  双曲型VAEとユークリッド正規化流に新しい正規化フローを導入する。 提案手法は,実世界のグラフデータの再構成とともに,密度推定の性能向上を実現する。
  論文  参考訳（メタデータ） (2020-02-15T07:44:00Z)

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。