論文の概要: Node Embeddings via Neighbor Embeddings

• arxiv url: http://arxiv.org/abs/2503.23822v1
• Date: Mon, 31 Mar 2025 08:16:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:34:12.205633
• Title: Node Embeddings via Neighbor Embeddings
• Title（参考訳）: 隣の埋め込みによるノードの埋め込み
• Authors: Jan Niklas Böhm, Marius Keute, Alica Guzmán, Sebastian Damrich, Andrew Draganov, Dmitry Kobak,
• Abstract要約: 本稿では,高次元ノード表現を生成するグラフt-SNEとグラフCNEを紹介する。 グラフt-SNEとグラフCNEはどちらも局所構造保存の点で最先端のアルゴリズムよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 11.841966603069865
• License:
• Abstract: Graph layouts and node embeddings are two distinct paradigms for non-parametric graph representation learning. In the former, nodes are embedded into 2D space for visualization purposes. In the latter, nodes are embedded into a high-dimensional vector space for downstream processing. State-of-the-art algorithms for these two paradigms, force-directed layouts and random-walk-based contrastive learning (such as DeepWalk and node2vec), have little in common. In this work, we show that both paradigms can be approached with a single coherent framework based on established neighbor embedding methods. Specifically, we introduce graph t-SNE, a neighbor embedding method for two-dimensional graph layouts, and graph CNE, a contrastive neighbor embedding method that produces high-dimensional node representations by optimizing the InfoNCE objective. We show that both graph t-SNE and graph CNE strongly outperform state-of-the-art algorithms in terms of local structure preservation, while being conceptually simpler.
• Abstract（参考訳）: グラフレイアウトとノード埋め込みは、非パラメトリックグラフ表現学習の2つの異なるパラダイムである。 前者では、ノードは視覚化のために2D空間に埋め込まれる。 後者では、ノードは下流処理のために高次元ベクトル空間に埋め込まれる。 これらの2つのパラダイムの最先端のアルゴリズム、すなわち力によるレイアウトと、DeepWalkやnode2vecのようなランダムウォークに基づくコントラスト学習は、ほとんど共通ではない。 本研究は, 両パラダイムが, 確立された隣接埋め込み手法に基づいて, 単一のコヒーレントなフレームワークでアプローチ可能であることを示す。 具体的には,2次元グラフレイアウトの隣接埋め込み法であるグラフt-SNEと,InfoNCEの目的を最適化して高次元ノード表現を生成する対照的な隣接埋め込み法であるグラフCNEを紹介する。 グラフt-SNEとグラフCNEはどちらも局所構造保存の点で最先端のアルゴリズムより優れているが、概念的には単純である。

関連論文リスト

• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• 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)
• Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
  論文  参考訳（メタデータ） (2023-03-14T20:35:45Z)
• Local Intrinsic Dimensionality Measures for Graphs, with Applications to Graph Embeddings [1.1602089225841632]
  NC-LIDは,ノードの自然群集を本質的な地域として,最短経路距離の識別力を定量化するための新しいLID関連尺度である。 ノード2ベックの2つの LID 弾性変種を定式化することにより, LID 対応グラフ埋め込みアルゴリズムを設計する方法について検討した。 実世界の多数のグラフ上でのNC-LIDの実証分析により,ノード中心性測定値よりも優れたノード2vec埋め込みにおいて,高いリンク再構成誤差を持つノードを指し示すことができることを示した。
  論文  参考訳（メタデータ） (2022-08-25T10:32:07Z)
• Local Graph Embeddings Based on Neighbors Degree Frequency of Nodes [0.0]
  本稿では,ノードの特定の局所的特徴とベクトル表現を定義することによって,グラフ機械学習とネットワーク解析の戦略を提案する。 Breath-First Search を通じてノードの次数の概念を拡張することにより、bf 中心関数の一般族が定義される。 これらの局所的な特徴に深層学習を適用することで、中心性と近接性を学ぶことができることを示す。
  論文  参考訳（メタデータ） (2022-07-30T07:07:30Z)
• Directed Graph Representation through Vector Cross Product [2.398608007786179]
  グラフ埋め込み法はグラフトポロジーを保ちながら低次元ベクトル空間のグラフにノードを埋め込む。 最近の有向グラフの研究は、各ノードに対する2つの埋め込み(ソースとターゲット)を学習することで、ノード間のエッジの向きを保つために提案されている。 本稿では,ベクトルクロス積の非可換性を利用して,ノード間のエッジ方向を本質的に保存する埋め込みを学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-21T03:17:44Z)
• node2coords: Graph Representation Learning with Wasserstein Barycenters [59.07120857271367]
  グラフの表現学習アルゴリズムである node2coords を導入する。 低次元空間を同時に学習し、その空間内のノードを座標する。 実験の結果,node2coordで学習した表現は解釈可能であることがわかった。
  論文  参考訳（メタデータ） (2020-07-31T13:14:25Z)
• GraphCL: Contrastive Self-Supervised Learning of Graph Representations [20.439666392958284]
  本稿では,ノード表現を自己教師型で学習するための一般的なフレームワークであるGraph Contrastive Learning (GraphCL)を提案する。 グラフニューラルネットワークを用いて、同じノードの2つの表現を生成し、対照的な学習損失を利用して両者の一致を最大化する。 帰納的学習と帰納的学習の両方において,本手法がノード分類ベンチマークにおいて教師なし学習の最先端性を大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-07-15T22:36:53Z)
• Modeling Graph Structure via Relative Position for Text Generation from Knowledge Graphs [54.176285420428776]
  グラフ-テキスト生成のための新しいトランスフォーマーベースのエンコーダデコーダアーキテクチャであるGraformerを提案する。 新たなグラフの自己アテンションでは、ノードのエンコーディングは入力グラフのすべてのノードに依存します。 グレーフォーマーは、これらのノード-ノードの関係を異なるアテンションヘッドに対して異なる重み付けを学習し、入力グラフの異なる連結ビューを仮想的に学習する。
  論文  参考訳（メタデータ） (2020-06-16T15:20:04Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Dual Graph Representation Learning [20.03747654879028]
  グラフ表現学習は、ノードを低次元ベクトルとして大きなグラフに埋め込む。 我々は、ノードの表現を生成するために、コンテキスト対応の教師なし二重符号化フレームワーク textbfCADE を提案する。
  論文  参考訳（メタデータ） (2020-02-25T04:50:17Z)

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。