論文の概要: Memory and Capacity of Graph Embedding Methods
- arxiv url: http://arxiv.org/abs/2208.08769v1
- Date: Thu, 18 Aug 2022 11:06:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-19 13:10:35.754564
- Title: Memory and Capacity of Graph Embedding Methods
- Title(参考訳): グラフ埋め込み法のメモリと容量
- Authors: Frank Qiu
- Abstract要約: 本稿では,グラフをベクトルとして構造保存的に埋め込む手法を提案する。
特に、我々の手続きはbind-and-sumアプローチに該当する。
我々の結合操作は重ね合わせの原理を尊重する最も一般的な結合操作であることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a method for embedding graphs as vectors in a
structure-preserving manner. In this paper, we showcase its rich
representational capacity and give some theoretical properties of our method.
In particular, our procedure falls under the bind-and-sum approach, and we show
that our binding operation - the tensor product - is the most general binding
operation that respects the principle of superposition. Similarly, we show that
the spherical code achieves optimal compression. We then establish some precise
results characterizing the performance our method as well as some experimental
results showcasing how it can accurately perform various graph operations even
when the number of edges is quite large. Finally, we conclude with establishing
a link to adjacency matrices, showing that our method is, in some sense, a
generalization of adjacency matrices with applications towards large sparse
graphs.
- Abstract(参考訳): 本稿では,グラフをベクトルとして構造保存的に埋め込む手法を提案する。
本稿では,その表現能力について紹介し,提案手法の理論的特性について述べる。
特に,本手法はバインド・アンド・サム法に準じており,我々の結合操作であるテンソル積が重ね合わせの原理を尊重する最も一般的な結合操作であることを示す。
同様に、球面符号が最適圧縮を達成することを示す。
そして,本手法の性能を特徴付ける精度の高い結果と,エッジ数が非常に大きい場合でも,グラフ操作をいかに正確に行うかを示す実験結果を確立した。
最後に,本手法は,ある意味では,大きなスパースグラフへの応用を伴う隣接行列の一般化であることを示す,隣接行列へのリンクを確立することで結論づける。
関連論文リスト
- Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - causalgraph: A Python Package for Modeling, Persisting and Visualizing
Causal Graphs Embedded in Knowledge Graphs [0.0]
本稿では,知識グラフに埋め込まれた因果グラフのモデリングと保存のための,因果グラフという新しいPythonパッケージについて述べる。
このパッケージは因果関係の発見や因果関係の推論といった因果関係のインターフェイスを提供するように設計されている。
論文 参考訳(メタデータ) (2023-01-20T09:36:32Z) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-24T02:58:36Z) - Graph autoencoder with constant dimensional latent space [0.0]
大きいグラフの不変次元ベクトル(埋め込み)への可逆変換は依然として挑戦である。
本稿では,再帰ニューラルネットワーク(エンコーダとデコーダ)で処理する。
エンコーダネットワークは、サブグラフの埋め込みをより大きなサブグラフの埋め込みに変換し、最終的には入力グラフの埋め込みに変換する。
論文 参考訳(メタデータ) (2022-01-28T14:58:53Z) - Graph Encoder Embedding [11.980640637972266]
本稿では,高速なグラフエンコーダ埋め込み方式を提案する。
提案手法は、線形計算複雑性と、標準PC上で数分で数十億のエッジを処理する能力を有する。
スピードアップは埋め込み性能を犠牲にすることなく達成される。
論文 参考訳(メタデータ) (2021-09-27T14:49:44Z) - A Neural Edge-Editing Approach for Document-Level Relation Graph
Extraction [9.449257113935461]
文書内の関係をエンティティ間の関係グラフとして扱う。
関係グラフは、初期グラフのエッジを編集することによって反復的に構成される。
エッジを編集する方法は、それらをクローズファーストな方法で分類することです。
論文 参考訳(メタデータ) (2021-06-18T03:46:49Z) - Sketch-Based Anomaly Detection in Streaming Graphs [89.52200264469364]
動的グラフからのグラフエッジのストリームを前提に、オンライン形式でエッジやサブグラフに異常スコアを割り当てるにはどうすればよいのか?
本手法は,高密度部分グラフ探索を取り入れた最初のストリーミング手法であり,一定時間におけるグラフ異常を検出する。
論文 参考訳(メタデータ) (2021-06-08T16:10:36Z) - Learning to map source code to software vulnerability using
code-as-a-graph [67.62847721118142]
セキュリティの観点からソースコードのニュアンス学習におけるグラフニューラルネットワークの適用性について検討する。
我々は,既存のコード・アズ・フォトや線形シーケンスの符号化手法よりも,脆弱性検出に有効なコード・アズ・グラフの符号化法を示す。
論文 参考訳(メタデータ) (2020-06-15T16:05:27Z) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳(メタデータ) (2020-06-10T14:48:48Z) - Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。
本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。
いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
論文 参考訳(メタデータ) (2020-03-10T02:33:14Z)
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。