論文の概要: Hyperbolic Diffusion Embedding and Distance for Hierarchical Representation Learning

• arxiv url: http://arxiv.org/abs/2305.18962v1
• Date: Tue, 30 May 2023 11:49:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 16:42:34.363128
• Title: Hyperbolic Diffusion Embedding and Distance for Hierarchical Representation Learning
• Title（参考訳）: 階層的表現学習のための双曲拡散埋め込みと距離
• Authors: Ya-Wei Eileen Lin, Ronald R. Coifman, Gal Mishne, Ronen Talmon
• Abstract要約: 本稿では,階層的なデータ埋め込みと距離の新たな手法を提案する。 本手法は, 拡散幾何学, 多様体学習への中心的アプローチ, 双曲幾何学の組み合わせに依存する。 理論的には、埋め込みと距離が根底にある階層構造を回復することを示す。
• 参考スコア（独自算出の注目度）: 13.976918651426205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding meaningful representations and distances of hierarchical data is important in many fields. This paper presents a new method for hierarchical data embedding and distance. Our method relies on combining diffusion geometry, a central approach to manifold learning, and hyperbolic geometry. Specifically, using diffusion geometry, we build multi-scale densities on the data, aimed to reveal their hierarchical structure, and then embed them into a product of hyperbolic spaces. We show theoretically that our embedding and distance recover the underlying hierarchical structure. In addition, we demonstrate the efficacy of the proposed method and its advantages compared to existing methods on graph embedding benchmarks and hierarchical datasets.
• Abstract（参考訳）: 階層的データの有意義な表現と距離を見つけることは、多くの分野で重要である。 本稿では階層データ埋め込みと距離の新たな手法を提案する。 本手法は拡散幾何学,多様体学習の中心的なアプローチ,双曲幾何学を組み合わせたものである。 具体的には、拡散幾何学を用いて、データの多スケール密度を構築し、それらの階層構造を明らかにし、双曲空間の積にそれらを埋め込む。 埋め込みと距離が基礎となる階層構造を回復することを示す。 さらに,グラフ埋め込みベンチマークや階層的データセットにおける既存手法と比較して,提案手法の有効性と利点を示す。

関連論文リスト

• Dissecting embedding method: learning higher-order structures from data [0.0]
  データ学習のための幾何学的深層学習法は、しばしば特徴空間の幾何学に関する仮定のセットを含む。 これらの仮定と、データが離散的で有限であるという仮定は、いくつかの一般化を引き起こし、データとモデルの出力の間違った解釈を生み出す可能性がある。
  論文  参考訳（メタデータ） (2024-10-14T08:19:39Z)
• Disentangled Hyperbolic Representation Learning for Heterogeneous Graphs [29.065531121422204]
  本稿では,分散ハイパーボリックなヘテロジニアスグラフ畳み込みネットワークである$textDis-H2textGCN$を提案する。 提案した$textDis-H2textGCN$を実世界の5つの異種グラフデータセット上で評価した。
  論文  参考訳（メタデータ） (2024-06-14T18:50:47Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• 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)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Deep Recursive Embedding for High-Dimensional Data [9.611123249318126]
  本稿では,DNN(Deep Neural Network)と高次元データ埋め込みのための数学誘導埋め込みルールを組み合わせることを提案する。 本稿では,高次元空間から低次元空間へのパラメトリックマッピングを学習可能な汎用ディープ埋め込みネットワーク(DEN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-31T23:22:33Z)
• Enhancing Hierarchical Information by Using Metric Cones for Graph Embedding [3.700709497727248]
  Poincar'e埋め込みはグラフの階層構造を捉えるために提案されている。 既存の手法の多くは埋め込み空間に等尺写像を持つ。 このような問題を解決するために,計量円錐にグラフ埋め込みを提案する。
  論文  参考訳（メタデータ） (2021-02-16T08:23:59Z)
• Quadric hypersurface intersection for manifold learning in feature space [52.83976795260532]
  適度な高次元と大きなデータセットに適した多様体学習技術。 この手法は、二次超曲面の交点という形で訓練データから学習される。 テスト時、この多様体は任意の新しい点に対する外れ値スコアを導入するのに使うことができる。
  論文  参考訳（メタデータ） (2021-02-11T18:52:08Z)
• Spatial Pyramid Based Graph Reasoning for Semantic Segmentation [67.47159595239798]
  セマンティックセグメンテーションタスクにグラフ畳み込みを適用し、改良されたラプラシアンを提案する。 グラフ推論は、空間ピラミッドとして構成された元の特徴空間で直接実行される。 計算とメモリのオーバーヘッドの利点で同等のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-03-23T12:28:07Z)

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。