論文の概要: Graph Embeddings via Tensor Products and Approximately Orthonormal Codes
- arxiv url: http://arxiv.org/abs/2208.10917v1
- Date: Thu, 18 Aug 2022 10:56:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-28 22:11:40.489270
- Title: Graph Embeddings via Tensor Products and Approximately Orthonormal Codes
- Title(参考訳): テンソル製品とほぼ正規コードによるグラフ埋め込み
- 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、我々の手続きはバインド・アンド・サムのアプローチに該当し、テンソル積である我々の結合操作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
- Sparse Training of Discrete Diffusion Models for Graph Generation [50.691834214298]
グラフの生成モデルは、各ノードペアの相互作用を予測する必要があるため、スケーラビリティ上の問題に遭遇することが多い。
本稿では,SparseDiffについて紹介する。SparseDiffは,グラフ生成のためのデノナイズ拡散モデルである。
実験結果から, SparseDiffは, 小グラフと大グラフの両方において, 生成性能の同時一致を示す。
論文 参考訳(メタデータ) (2023-11-03T16:50:26Z) - OrthoReg: Improving Graph-regularized MLPs via Orthogonality
Regularization [66.30021126251725]
グラフニューラルネットワーク(GNN)は現在、グラフ構造データのモデリングにおいて支配的である。
グラフ正規化ネットワーク(GR-MLP)はグラフ構造情報をモデル重みに暗黙的に注入するが、その性能はほとんどのタスクにおいてGNNとほとんど一致しない。
GR-MLPは,最大数個の固有値が埋め込み空間を支配する現象である次元崩壊に苦しむことを示す。
次元崩壊問題を緩和する新しいGR-MLPモデルであるOrthoRegを提案する。
論文 参考訳(メタデータ) (2023-01-31T21:20:48Z) - 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) - Graph Polynomial Convolution Models for Node Classification of
Non-Homophilous Graphs [52.52570805621925]
本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。
得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。
提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
論文 参考訳(メタデータ) (2022-09-12T04:46:55Z) - Graph Pooling with Maximum-Weight $k$-Independent Sets [12.251091325930837]
最大ウェイト$k$非依存集合のグラフ理論的概念に基づくグラフ粗化機構を導入する。
我々は、経路長の歪み境界の理論的保証と、粗化グラフにおける重要な位相特性を保存できることを証明した。
論文 参考訳(メタデータ) (2022-08-06T14:12:47Z) - Embedding Graphs on Grassmann Manifold [31.42901131602713]
本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。
EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
論文 参考訳(メタデータ) (2022-05-30T12:56:24Z) - Generalized Spectral Clustering for Directed and Undirected Graphs [4.286327408435937]
本稿では、有向グラフと無向グラフの両方に対処できる一般化スペクトルクラスタリングフレームワークを提案する。
我々のアプローチは、グラフ関数の一般化されたディリクレエネルギーとして導入する新しい函数のスペクトル緩和に基づいている。
また、グラフ上の自然ランダムウォークの反復パワーから構築された正規化尺度の実用的なパラメトリゼーションを提案する。
論文 参考訳(メタデータ) (2022-03-07T09:18:42Z) - Directed Graph Embeddings in Pseudo-Riemannian Manifolds [0.0]
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。
論文 参考訳(メタデータ) (2021-06-16T10:31:37Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳(メタデータ) (2020-02-20T09:53:28Z) - 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。