論文の概要: Weighted Embeddings for Low-Dimensional Graph Representation
- arxiv url: http://arxiv.org/abs/2410.06042v1
- Date: Tue, 8 Oct 2024 13:41:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-01 11:30:40.482654
- Title: Weighted Embeddings for Low-Dimensional Graph Representation
- Title(参考訳): 低次元グラフ表現のための重み付き埋め込み
- Authors: Thomas Bläsius, Jean-Pierre von der Heydt, Maximilian Katzmann, Nikolai Maas,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.13499500088995461
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning low-dimensional numerical representations from symbolic data, e.g., embedding the nodes of a graph into a geometric space, is an important concept in machine learning. While embedding into Euclidean space is common, recent observations indicate that hyperbolic geometry is better suited to represent hierarchical information and heterogeneous data (e.g., graphs with a scale-free degree distribution). Despite their potential for more accurate representations, hyperbolic embeddings also have downsides like being more difficult to compute and harder to use in downstream tasks. We propose embedding into a weighted space, which is closely related to hyperbolic geometry but mathematically simpler. We provide the embedding algorithm WEmbed and demonstrate, based on generated as well as over 2000 real-world graphs, that our weighted embeddings heavily outperform state-of-the-art Euclidean embeddings for heterogeneous graphs while using fewer dimensions. The running time of WEmbed and embedding quality for the remaining instances is on par with state-of-the-art Euclidean embedders.
- Abstract(参考訳): 記号データから低次元の数値表現(例えばグラフのノードを幾何学空間に埋め込む)を学習することは、機械学習において重要な概念である。
ユークリッド空間への埋め込みは一般的であるが、近年の観測により、双曲幾何学は階層的な情報や不均一なデータ(例えば、スケールフリーな次数分布を持つグラフ)を表現するのに適していることが示されている。
より正確な表現の可能性にもかかわらず、双曲的埋め込みはより計算が難しく、下流タスクでの使用が難しいといった欠点もある。
双曲幾何学と密接に関連するが数学的には単純である重み付き空間への埋め込みを提案する。
我々は、生成した2000以上の実世界のグラフをベースとした埋め込みアルゴリズムWEmbedと実証を行い、重み付けされた埋め込みは、より少ない次元のユークリッドグラフに対する最先端のユークリッド埋め込みよりも優れていることを示した。
WEmbedの実行時間と残りのインスタンスの埋め込み品質は、最先端のユークリッド埋め込みと同等である。
関連論文リスト
- Shedding Light on Problems with Hyperbolic Graph Learning [2.3743504594834635]
グラフ機械学習文学における近年の論文は、双曲表現学習に多くのアプローチを導入している。
現在、双曲グラフ表現学習の分野を注意深く見ていく。
多くの論文では,アルゴリズム構築時にベースラインの厳密な提示に失敗し,ミスリード指標を用いてグラフデータセットの幾何を定量化している。
論文 参考訳(メタデータ) (2024-11-11T03:12:41Z) - 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) - 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) - Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of
the Same Coin [49.12496652756007]
この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。
従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
論文 参考訳(メタデータ) (2023-09-18T14:51:46Z) - 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) - Node-Specific Space Selection via Localized Geometric Hyperbolicity in
Graph Neural Networks [38.7842803074593]
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。
論文 参考訳(メタデータ) (2023-03-03T06:04:42Z) - 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) - 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) - Enhancing Hyperbolic Graph Embeddings via Contrastive Learning [7.901082408569372]
複数の双曲空間を通してノード表現を学習する新しいハイパーボリックグラフコントラスト学習(HGCL)フレームワークを提案する。
複数の実世界のデータセットに対する実験結果は、提案したHGCLの優位性を示している。
論文 参考訳(メタデータ) (2022-01-21T06:10:05Z)
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。