論文の概要: Improving embedding of graphs with missing data by soft manifolds

• arxiv url: http://arxiv.org/abs/2311.17598v1
• Date: Wed, 29 Nov 2023 12:48:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 21:18:01.589202
• Title: Improving embedding of graphs with missing data by soft manifolds
• Title（参考訳）: ソフト多様体によるデータ欠落グラフの埋め込みの改善
• Authors: Andrea Marinoni, Pietro Lio', Alessandro Barp, Christian Jutten, Mark Girolami
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 51.425411400683565
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Embedding graphs in continous spaces is a key factor in designing and developing algorithms for automatic information extraction to be applied in diverse tasks (e.g., learning, inferring, predicting). The reliability of graph embeddings directly depends on how much the geometry of the continuous space matches the graph structure. Manifolds are mathematical structure that can enable to incorporate in their topological spaces the graph characteristics, and in particular nodes distances. State-of-the-art of manifold-based graph embedding algorithms take advantage of the assumption that the projection on a tangential space of each point in the manifold (corresponding to a node in the graph) would locally resemble a Euclidean space. Although this condition helps in achieving efficient analytical solutions to the embedding problem, it does not represent an adequate set-up to work with modern real life graphs, that are characterized by weighted connections across nodes often computed over sparse datasets with missing records. In this work, we introduce a new class of manifold, named soft manifold, that can solve this situation. In particular, soft manifolds are mathematical structures with spherical symmetry where the tangent spaces to each point are hypocycloids whose shape is defined according to the velocity of information propagation across the data points. Using soft manifolds for graph embedding, we can provide continuous spaces to pursue any task in data analysis over complex datasets. Experimental results on reconstruction tasks on synthetic and real datasets show how the proposed approach enable more accurate and reliable characterization of graphs in continuous spaces with respect to the state-of-the-art.
• Abstract（参考訳）: 連続空間にグラフを埋め込むことは、様々なタスク(例えば学習、推論、予測)に適用される自動情報抽出アルゴリズムの設計と開発において重要な要素である。 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にどの程度一致するかに直接依存する。 多様体は、その位相空間にグラフ特性、特にノード距離を組み込むことができる数学的構造である。 多様体ベースのグラフ埋め込みアルゴリズムの最先端は、多様体内の各点の接空間上の射影(グラフ内のノードに対応する)が局所的にユークリッド空間に似ているという仮定を生かしている。 この条件は埋め込み問題に対する効率的な解析解を実現するのに役立つが、現代の実生活グラフを扱うのに十分なセットアップを表現していない。 そこで本研究では, ソフト多様体と呼ばれる新しい多様体のクラスを導入し, この状況を解消する。 特に、ソフト多様体は球面対称性を持つ数学的構造であり、各点への接空間は、データ点を横断する情報伝播の速度に応じて形状が定義される低サイクロイドである。 グラフ埋め込みにソフト多様体を用いると、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。 合成データセットと実データセットの再構成タスクに関する実験結果は,提案手法が連続空間におけるグラフのより正確かつ信頼性の高い特徴付けを実現する方法を示している。

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)
• Tight and fast generalization error bound of graph embedding in metric space [54.279425319381374]
  非ユークリッド計量空間へのグラフ埋め込みは、既存の有界よりもはるかに少ない訓練データを持つユークリッド空間におけるグラフ埋め込みよりも優れていることを示す。 我々の新しい上限は、既存の上限よりもかなり強く速く、最大で$R$と$O(frac1S)$に指数関数できる。
  論文  参考訳（メタデータ） (2023-05-13T17:29:18Z)
• FMGNN: Fused Manifold Graph Neural Network [102.61136611255593]
  グラフ表現学習は、様々なグラフタスクにおいて広く研究され、効果が実証されている。 本稿では,異なるマニフォールドにグラフを埋め込む新しいGNNアーキテクチャであるFused Manifold Graph Neural Network (NN)を提案する。 提案実験により,NNはノード分類およびリンク予測タスクのベンチマークにおいて,強いベースラインよりも優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-04-03T15:38:53Z)
• Latent Graph Inference using Product Manifolds [0.0]
  遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。 我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-11-26T22:13:06Z)
• Study of Manifold Geometry using Multiscale Non-Negative Kernel Graphs [32.40622753355266]
  データの幾何学的構造を研究するための枠組みを提案する。 我々は最近導入された非負のカーネル回帰グラフを用いて、点密度、固有次元、およびデータ多様体(曲率)の線型性を推定する。
  論文  参考訳（メタデータ） (2022-10-31T17:01:17Z)
• Heterogeneous manifolds for curvature-aware graph embedding [6.3351090376024155]
  グラフ埋め込みは、広範囲のGraph MLアプリケーションで使用されている。 そのような埋め込みの質は、空間の幾何学がグラフの幾何学と一致するかどうかに決定的に依存する。
  論文  参考訳（メタデータ） (2022-02-02T18:18:35Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Hermitian Symmetric Spaces for Graph Embeddings [0.0]
  C 上の対称行列空間におけるグラフの連続表現を学ぶ。 これらの空間は双曲部分空間とユークリッド部分空間を同時に認めるリッチな幾何学を提供する。 提案するモデルは, apriori のグラフ特徴を見積もることなく, まったく異なる配置に自動的に適応することができる。
  論文  参考訳（メタデータ） (2021-05-11T18:14:52Z)
• Understanding graph embedding methods and their applications [1.14219428942199]
  グラフ埋め込み技術は、高次元スパースグラフを低次元密度連続ベクトル空間に変換するのに有効である。 生成した非線形かつ高情報性の高いグラフ埋め込みは、異なる下流グラフ解析タスクに便利に利用することができる。
  論文  参考訳（メタデータ） (2020-12-15T00:30:22Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)

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。