論文の概要: Achieving Hyperbolic-Like Expressiveness with Arbitrary Euclidean Regions: A New Approach to Hierarchical Embeddings

• arxiv url: http://arxiv.org/abs/2501.17518v2
• Date: Wed, 08 Oct 2025 08:26:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 14:21:17.927658
• Title: Achieving Hyperbolic-Like Expressiveness with Arbitrary Euclidean Regions: A New Approach to Hierarchical Embeddings
• Title（参考訳）: 任意ユークリッド領域による双曲型表現性獲得 : 階層的埋め込みへの新しいアプローチ
• Authors: Hui Yang, Jiaoyan Chen,
• Abstract要約: 本稿では,任意の幾何学的領域を埋め込み表現として用いることを支援するフレキシブルユークリッドフレームワークRegDを提案する。 RegDは、領域間の深さに基づく相似性を導入し、双曲幾何学の重要な性質をエミュレートすることで、双曲的表現性を実現する。 実世界の多様なデータセットに対する実証的な評価は、最先端の手法よりも一貫した性能向上を示す。
• 参考スコア（独自算出の注目度）: 9.614222676567385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hierarchical data is common in many domains like life sciences and e-commerce, and its embeddings often play a critical role. While hyperbolic embeddings offer a theoretically grounded approach to representing hierarchies in low-dimensional spaces, current methods often rely on specific geometric constructs as embedding candidates. This reliance limits their generalizability and makes it difficult to integrate with techniques that model semantic relationships beyond pure hierarchies, such as ontology embeddings. In this paper, we present RegD, a flexible Euclidean framework that supports the use of arbitrary geometric regions -- such as boxes and balls -- as embedding representations. Although RegD operates entirely in Euclidean space, we formally prove that it achieves hyperbolic-like expressiveness by incorporating a depth-based dissimilarity between regions, enabling it to emulate key properties of hyperbolic geometry, including exponential growth. Our empirical evaluation on diverse real-world datasets shows consistent performance gains over state-of-the-art methods and demonstrates RegD's potential for broader applications such as the ontology embedding task that goes beyond hierarchy.
• Abstract（参考訳）: 階層的なデータは、生命科学や電子商取引のような多くの領域で一般的であり、その埋め込みはしばしば重要な役割を果たす。 双曲的埋め込みは、低次元空間における階層を表現する理論的に基礎的なアプローチを提供するが、現在の方法はしばしば埋め込み候補として特定の幾何学的構成に依存している。 この依存はそれらの一般化性を制限し、オントロジー埋め込みのような純粋な階層を超えた意味的関係をモデル化する手法との統合を困難にする。 本稿では,ボックスやボールなどの任意の幾何学的領域を埋め込み表現として使用するためのフレキシブルユークリッドフレームワークRegDを提案する。 RegD はユークリッド空間で完全に作用するが、領域間の深さに基づく相似性を導入し、指数的成長を含む双曲幾何学の重要な性質をエミュレートすることで、双曲的表現性を達成することを正式に証明する。 多様な実世界のデータセットに対する実証的な評価は、最先端の手法よりも一貫したパフォーマンス向上を示し、階層を超えたオントロジー埋め込みタスクのような広範なアプリケーションに対するRegDの可能性を示している。

関連論文リスト

• A Set-to-Set Distance Measure in Hyperbolic Space [50.134086375286074]
  双曲空間における集合間の相似性を計算するための双曲的集合間距離測度を提案する。 位相的差を考慮すると、HS2SDは2つの双曲集合の間の関係をより微妙に理解する。
  論文  参考訳（メタデータ） (2025-06-23T11:31:40Z)
• Adaptive Locally Linear Embedding [10.331256742632835]
  適応的局所線形埋め込み(ALLE)という新しい手法が,この制限に対処するために導入された。 実験の結果,ALLEは入力空間と特徴空間の近傍のアライメントを著しく改善することが示された。 このアプローチは、基礎となるデータに距離メトリクスを合わせることで多様体学習を推進し、高次元データセットにおける複雑な関係をキャプチャするための堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-09T12:40:13Z)
• RUN: Reversible Unfolding Network for Concealed Object Segmentation [61.13528324971598]
  マスクドメインとRGBドメインの両方にわたる可逆戦略。 マスクとRGBドメインをまたいだ可逆的戦略を適用したReversible Unfolding Network (RUN)を提案する。
  論文  参考訳（メタデータ） (2025-01-30T22:19:15Z)
• Differentiable Reasoning about Knowledge Graphs with Region-based Graph Neural Networks [62.93577376960498]
  知識グラフ(KG)の完成法は、意味的正則性を捕捉し、これらの正則性を用いて、明示的に記述されていない妥当な知識を推測する必要がある。 ほとんどの埋め込みベースの手法はキャプチャ可能な正規性には不透明であるが、領域ベースのKG埋め込みモデルはより透明な代替手段として現れている。 命令制約に基づくシンプルなモデルであるRESHUFFLEを提案し、既存のアプローチよりもはるかに大きなルールベースを忠実に捉えることができる。
  論文  参考訳（メタデータ） (2024-06-13T18:37:24Z)
• Review-Based Hyperbolic Cross-Domain Recommendation [3.4498722449655066]
  Cross-Domain Recommendation (CDR)は、ドメイン共有可能な知識をキャプチャし、よりリッチなドメインからスパサーに転送する。 本稿では,ユーザ・イテム関係をモデル化するためのレビューテキストに基づく双曲型CDR手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T17:15:21Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• A Unified Architecture of Semantic Segmentation and Hierarchical Generative Adversarial Networks for Expression Manipulation [52.911307452212256]
  セマンティックセグメンテーションと階層的GANの統一アーキテクチャを開発する。 我々のフレームワークのユニークな利点は、将来的なセマンティックセグメンテーションネットワーク条件を生成モデルに渡すことである。 我々は,AffectNetとRaFDの2つの難解な表情翻訳ベンチマークとセマンティックセグメンテーションベンチマークであるCelebAMask-HQについて評価を行った。
  論文  参考訳（メタデータ） (2021-12-08T22:06:31Z)
• 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)
• GenURL: A General Framework for Unsupervised Representation Learning [58.59752389815001]
  教師なし表現学習(URL)は、教師なしの高次元データのコンパクトな埋め込みを学習する。 本稿では,様々なURLタスクにスムーズに適応可能な類似性ベースの統合URLフレームワークGenURLを提案する。 実験により、GenURLは、自己教師付き視覚学習、無教師付き知識蒸留(KD)、グラフ埋め込み(GE)、次元縮小において、一貫した最先端性能を達成することが示された。
  論文  参考訳（メタデータ） (2021-10-27T16:24:39Z)
• Neural Distance Embeddings for Biological Sequences [43.07977514121458]
  幾何ベクトル空間に配列を埋め込むためのフレームワークであるNeuroSEEDを提案する。 階層構造を捉えた双曲空間の有効性を示し, RMSEの埋め込みにおける平均22%の還元効果を示す。 提案手法は,実世界のデータセットに対して,大幅な精度向上と実行時改善を示す。
  論文  参考訳（メタデータ） (2021-09-20T17:30:58Z)
• HUMAP: Hierarchical Uniform Manifold Approximation and Projection [42.50219822975012]
  HUMAPは、局所的・大域的構造の保存に柔軟であるように設計された、新しい階層的次元削減技術である。 提案手法の優位性を示す実証的証拠を現在の階層的アプローチと比較し,データセットラベリングにHUMAPを適用したケーススタディを示す。
  論文  参考訳（メタデータ） (2021-06-14T19:27:54Z)
• Sign-Agnostic CONet: Learning Implicit Surface Reconstructions by Sign-Agnostic Optimization of Convolutional Occupancy Networks [39.65056638604885]
  畳み込み型ネットワークの符号非依存最適化により暗黙的表面再構成を学習する。 この目標をシンプルで効果的な設計で効果的に達成できることを示す。
  論文  参考訳（メタデータ） (2021-05-08T03:35:32Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)

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。