論文の概要: When Dimensionality Reduction Meets Graph (Drawing) Theory: Introducing a Common Framework, Challenges and Opportunities

• arxiv url: http://arxiv.org/abs/2412.06555v1
• Date: Mon, 09 Dec 2024 15:03:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:53:45.865827
• Title: When Dimensionality Reduction Meets Graph (Drawing) Theory: Introducing a Common Framework, Challenges and Opportunities
• Title（参考訳）: 次元削減がグラフ(描画)理論に一致するとき--共通フレームワークの導入と課題と機会
• Authors: Fernando Paulovich, Alessio Arleo, Stef van den Elzen,
• Abstract要約: 次元の低減とグラフ解析は、可視化研究において人気のある2つのサブフィールドである。 本稿では,DRとグラフ(描画)理論のギャップを埋める一元化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 46.1232919707345
• License:
• Abstract: In the vast landscape of visualization research, Dimensionality Reduction (DR) and graph analysis are two popular subfields, often essential to most visual data analytics setups. DR aims to create representations to support neighborhood and similarity analysis on complex, large datasets. Graph analysis focuses on identifying the salient topological properties and key actors within networked data, with specialized research on investigating how such features could be presented to the user to ease the comprehension of the underlying structure. Although these two disciplines are typically regarded as disjoint subfields, we argue that both fields share strong similarities and synergies that can potentially benefit both. Therefore, this paper discusses and introduces a unifying framework to help bridge the gap between DR and graph (drawing) theory. Our goal is to use the strongly math-grounded graph theory to improve the overall process of creating DR visual representations. We propose how to break the DR process into well-defined stages, discussing how to match some of the DR state-of-the-art techniques to this framework and presenting ideas on how graph drawing, topology features, and some popular algorithms and strategies used in graph analysis can be employed to improve DR topology extraction, embedding generation, and result validation. We also discuss the challenges and identify opportunities for implementing and using our framework, opening directions for future visualization research.
• Abstract（参考訳）: 可視化研究の広大な分野において、次元性低減(DR)とグラフ解析は2つの人気のあるサブフィールドであり、多くの場合、ほとんどのビジュアルデータ分析設定に必須である。 DRは、複雑な大規模データセットの近傍と類似性分析をサポートする表現を作成することを目的としている。 グラフ解析は,ネットワークデータ中の有意なトポロジ特性とキーアクターの同定に重点を置いており,そのような特徴がユーザに対してどのように提示され,基盤となる構造の理解を容易にするか,特に研究されている。 これらの2つの分野は典型的には非随伴部分体と見なされるが、どちらの分野も強い類似性と相乗性を持ち、双方に利益をもたらす可能性があると論じる。 そこで本稿では,DRとグラフ(描画)理論のギャップを埋める一元化フレームワークについて論じ,紹介する。 我々のゴールは、強い数学的なグラフ理論を用いて、DR視覚表現の全体的なプロセスを改善することである。 本稿では,DRプロセスが明確に定義された段階に分解する方法を提案し,DRの最先端技術とこのフレームワークを適合させる方法について論じ,グラフ描画やトポロジの特徴,グラフ解析に使用される一般的なアルゴリズムや戦略を,DRトポロジ抽出,埋め込み生成,結果検証の改善に活用する方法を提案する。 また,今後の可視化研究の方向性として,我々のフレームワークの実装と利用の機会について論じる。

関連論文リスト

• Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
  大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。 この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
  論文  参考訳（メタデータ） (2024-08-26T06:36:42Z)
• ChartThinker: A Contextual Chain-of-Thought Approach to Optimized Chart Summarization [32.19963543411396]
  本研究は,各チャートに包括的チャートキャプチャペアと微調整命令の大規模データセットを構築した。 本稿では,思考の連鎖に基づいて深い分析を合成する,革新的なチャート要約手法であるChartThinkerを提案する。 キュレートされたデータセットに基づいて、トレーニングされたモデルは、チャートの要約タスクにおいて、常に優れたパフォーマンスを示します。
  論文  参考訳（メタデータ） (2024-03-17T14:49:09Z)
• Explainable Representations for Relation Prediction in Knowledge Graphs [0.0]
  本稿では、知識グラフにおける関係予測を支援するための説明可能な表現のための新しいアプローチであるSEEKを提案する。 それは、エンティティと各サブグラフの学習表現の間の関連する共有意味的側面を識別することに基づいている。 本研究では,タンパク質間相互作用予測と遺伝子発現関連予測の2つの実世界の関係予測タスクについてSEEKを評価した。
  論文  参考訳（メタデータ） (2023-06-22T06:18:40Z)
• Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
  グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。 グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
  論文  参考訳（メタデータ） (2022-04-15T04:02:06Z)
• Graph Collaborative Reasoning [18.45161138837384]
  グラフ協調推論(GCR)は、論理的推論の観点からグラフ上の関係推論に隣接リンク情報を使用することができる。 そこで我々は,グラフ構造を論理式に変換する簡単な手法を提案し,リンク予測タスクをニューラルネットワーク推論問題に変換する。 本研究の有効性を示すため,一般的なベンチマークデータセットに基づくリンク予測やレコメンデーションなどのグラフ関連タスクの実験を行った。
  論文  参考訳（メタデータ） (2021-12-27T14:27:58Z)
• Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
  グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。 複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
  論文  参考訳（メタデータ） (2021-07-20T22:09:21Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Quantifying Challenges in the Application of Graph Representation Learning [0.0]
  私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。 実世界のグラフ特性に関する表現力を評価する。 GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
  論文  参考訳（メタデータ） (2020-06-18T03:19:43Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。

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。