Fugu-MT 論文翻訳(概要): Sign Rank Limitations for Inner Product Graph Decoders

論文の概要: Sign Rank Limitations for Inner Product Graph Decoders

arxiv url: http://arxiv.org/abs/2402.06662v2
Date: Sat, 18 May 2024 20:03:21 GMT
ステータス: 処理完了
システム内更新日: 2024-05-21 23:20:37.981540
Title: Sign Rank Limitations for Inner Product Graph Decoders
Title（参考訳）: 内積グラフデコーダの符号ランク制限
Authors: Su Hyeong Lee, Qingqi Zhang, Risi Kondor,
Abstract要約: 内部製品ベースのデコーダは、潜伏埋め込みから有意義なデータを抽出するために使用される最も影響力のあるフレームワークの一つである。グラフデータにおいて,この普及現象を初めて理論的に解明し,この問題を回避するための簡単な修正を提案する。
参考スコア（独自算出の注目度）: 4.951488251617927
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Inner product-based decoders are among the most influential frameworks used to extract meaningful data from latent embeddings. However, such decoders have shown limitations in representation capacity in numerous works within the literature, which have been particularly notable in graph reconstruction problems. In this paper, we provide the first theoretical elucidation of this pervasive phenomenon in graph data, and suggest straightforward modifications to circumvent this issue without deviating from the inner product framework.
Abstract（参考訳）: 内部製品ベースのデコーダは、潜伏埋め込みから有意義なデータを抽出するために使用される最も影響力のあるフレームワークの一つである。しかし、そのようなデコーダは、特にグラフ再構成問題において顕著な多くの著作において、表現能力の限界を示している。本稿では, この普及現象をグラフデータで初めて理論的に解明し, 内部積の枠組みから逸脱することなく, この問題を回避するための簡単な修正を提案する。

関連論文リスト

SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文参考訳（メタデータ） (2024-07-23T20:34:23Z)
Uncertainty-Aware Robust Learning on Noisy Graphs [16.66112191539017]
本稿では,分散的ロバストな最適化を動機とした,新しい不確実性を考慮したグラフ学習フレームワークを提案する。具体的には、グラフニューラルネットワークベースのエンコーダを使用して、ノードの特徴を埋め込んで、最適なノード埋め込みを見つけます。このような不確実性を考慮した学習プロセスは、ノード表現の改善と、より堅牢なグラフ予測モデルをもたらす。
論文参考訳（メタデータ） (2023-06-14T02:45:14Z)
Scribble-Supervised Target Extraction Method Based on Inner Structure-Constraint for Remote Sensing Images [20.76892079773621]
リモートセンシング画像のターゲット抽出におけるスクリブルアノテーションに基づく弱教師付き学習が注目されている。本研究では,2つの内部構造制約,変形整合性損失とトレーニング可能なアクティブな輪郭損失と,エンコーダ・デコーダネットワークの最適化を監督するスクリブル制約を構築する。
論文参考訳（メタデータ） (2023-05-18T02:49:07Z)
CAFIN: Centrality Aware Fairness inducing IN-processing for Unsupervised Representation Learning on Graphs [10.042608422528392]
CAFIN(Centrality-aware Fairness-inducing framework)は、既存のフレームワークが生成した表現を調整するためのフレームワークである。 GraphSAGEにデプロイし、ノード分類とリンク予測という2つの下流タスクで有効性を示します。
論文参考訳（メタデータ） (2023-04-10T05:40:09Z)
Studying How to Efficiently and Effectively Guide Models with Explanations [52.498055901649025]
「モデルガイダンス」とは「正しい理由のために正しい」ことを保証するためにモデルの説明を規則化する考え方である。 PASCAL VOC 2007 および MS COCO 2014 データセット上で, 各種損失関数, 帰属方法, モデル, 誘導深度について詳細な評価を行う。具体的には、一般的に使用されるセグメンテーションマスクよりもはるかに安価で入手可能なバウンディングボックスアノテーションを用いてモデルをガイドする。
論文参考訳（メタデータ） (2023-03-21T15:34:50Z)
DAGAD: Data Augmentation for Graph Anomaly Detection [57.92471847260541]
本稿では、属性グラフのための新しいデータ拡張ベースのグラフ異常検出(DAGAD)フレームワークを考案する。 3つのデータセットに関する一連の実験は、DAGADが様々な主に使用されるメトリクスに関して、10の最先端のベースライン検出器より優れていることを証明している。
論文参考訳（メタデータ） (2022-10-18T11:28:21Z)
Structural Information Preserving for Graph-to-Text Generation [59.00642847499138]
グラフ・トゥ・テキスト生成の課題は、入力グラフの意味を保存した文を生成することである。入力情報を保存するためのモデルとして,より豊かなトレーニング信号を活用することで,この問題に取り組むことを提案する。グラフからテキストへの生成のための2つのベンチマークに関する実験は、最先端のベースラインに対するアプローチの有効性を示しています。
論文参考訳（メタデータ） (2021-02-12T20:09:01Z)
Promoting Graph Awareness in Linearized Graph-to-Text Generation [72.83863719868364]
局所グラフ構造を符号化する線形化モデルの能力を検討する。本研究は,モデルの暗黙のグラフ符号化の品質を高めるための解法である。これらの消音足場は、低リソース設定における下流生成の大幅な改善につながることが分かりました。
論文参考訳（メタデータ） (2020-12-31T18:17:57Z)
Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
論文参考訳（メタデータ） (2020-06-09T16:33:49Z)

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。