論文の概要: Node-Specific Space Selection via Localized Geometric Hyperbolicity in Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2303.01724v1
• Date: Fri, 3 Mar 2023 06:04:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 16:12:14.801296
• Title: Node-Specific Space Selection via Localized Geometric Hyperbolicity in Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークにおける局所幾何双曲性によるノード固有空間選択
• Authors: See Hian Lee, Feng Ji and Wee Peng Tay
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 38.7842803074593
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Many graph neural networks have been developed to learn graph representations in either Euclidean or hyperbolic space, with all nodes' representations embedded in a single space. However, a graph can have hyperbolic and Euclidean geometries at different regions of the graph. Thus, it is sub-optimal to indifferently embed an entire graph into a single space. In this paper, we explore and analyze two notions of local hyperbolicity, describing the underlying local geometry: geometric (Gromov) and model-based, to determine the preferred space of embedding for each node. The two hyperbolicities' distributions are aligned using the Wasserstein metric such that the calculated geometric hyperbolicity guides the choice of the learned model hyperbolicity. As such our model Joint Space Graph Neural Network (JSGNN) can leverage both Euclidean and hyperbolic spaces during learning by allowing node-specific geometry space selection. We evaluate our model on both node classification and link prediction tasks and observe promising performance compared to baseline models.
• Abstract（参考訳）: 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のグラフ表現を学ぶために開発され、全てのノードの表現は単一の空間に埋め込まれている。 しかし、グラフはグラフの異なる領域において双曲的およびユークリッド幾何学を持つことができる。 したがって、グラフ全体を無関心に一つの空間に埋め込むことは最適ではない。 本稿では,局所双曲性の2つの概念を探索・解析し,その基礎となる局所幾何(gromov)とモデルベース(model-based)を用いて各ノードの埋め込み空間を決定する。 2つの双曲性分布は、計算された幾何双曲性が学習されたモデル双曲性の選択を導くようなワッサーシュタイン計量を用いて整列される。 学習中に共役空間と双曲空間の両方を利用することができ、ノード固有の幾何空間の選択が可能となる。 ノード分類とリンク予測タスクの両方でモデルを評価し、ベースラインモデルと比較して有望な性能を観察する。

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)
• Modeling Graphs Beyond Hyperbolic: Graph Neural Networks in Symmetric Positive Definite Matrices [8.805129821507046]
  実世界のグラフデータは、幾何的および位相的特徴の複数のタイプによって特徴づけられる。 複雑なグラフを堅牢に処理できるグラフニューラルネットワークを構築する。
  論文  参考訳（メタデータ） (2023-06-24T21:50:53Z)
• Hyperbolic Graph Representation Learning: A Tutorial [39.25873010585029]
  本チュートリアルは,このグラフ表現学習の新たな分野について,すべてのオーディエンスにアクセス可能なことを目的とした紹介を行う。 まず、グラフ表現学習といくつかの予備的および双曲幾何学について簡単な紹介を行う。 そして、それらを一般的なフレームワークに統合することで、現在の双曲グラフニューラルネットワークの技術詳細を包括的に再考する。
  論文  参考訳（メタデータ） (2022-11-08T07:15:29Z)
• Unveiling the Sampling Density in Non-Uniform Geometric Graphs [69.93864101024639]
  グラフを幾何学グラフとみなす: ノードは基礎となる計量空間からランダムにサンプリングされ、その距離が指定された近傍半径以下であれば任意のノードが接続される。 ソーシャルネットワークでは、コミュニティは密集したサンプル領域としてモデル化でき、ハブはより大きな近傍半径を持つノードとしてモデル化できる。 我々は,未知のサンプリング密度を自己監督的に推定する手法を開発した。
  論文  参考訳（メタデータ） (2022-10-15T08:01:08Z)
• 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)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
  グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。 グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。 近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• Geometric Graph Representation Learning via Maximizing Rate Reduction [73.6044873825311]
  学習ノード表現は、コミュニティ検出やノード分類などのグラフ解析において、さまざまな下流タスクの恩恵を受ける。 教師なしの方法でノード表現を学習するための幾何学グラフ表現学習(G2R)を提案する。 G2R は異なるグループ内のノードを異なる部分空間にマッピングし、各部分空間はコンパクトで異なる部分空間が分散される。
  論文  参考訳（メタデータ） (2022-02-13T07:46:24Z)
• 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)
• 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)
• Graph Geometry Interaction Learning [41.10468385822182]
  本研究では,グラフにおける豊富な幾何学的特性を学習するための,グラフの幾何学的相互作用学習(GIL)手法を開発した。 提案手法は,各ノードに,フレキシブルな二重特徴量相互作用学習と確率組立機構を通じて,各幾何学空間の重要性を決定する自由を与える。 ノード分類とリンク予測タスクに関する5つのベンチマークデータセットについて,実験結果を示す。
  論文  参考訳（メタデータ） (2020-10-23T02:40:28Z)

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。