論文の概要: A Method for Handling Negative Similarities in Explainable Graph Spectral Clustering of Text Documents -- Extended Version

• arxiv url: http://arxiv.org/abs/2504.12360v1
• Date: Wed, 16 Apr 2025 06:03:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:39:02.786017
• Title: A Method for Handling Negative Similarities in Explainable Graph Spectral Clustering of Text Documents -- Extended Version
• Title（参考訳）: テキスト文書の説明可能なグラフスペクトルクラスタリングにおける否定的類似性処理法-拡張版
• Authors: Mieczysław A. Kłopotek, Sławomir T. Wierzchoń, Bartłomiej Starosta, Dariusz Czerski, Piotr Borkowski,
• Abstract要約: 本稿では,従来の用語ベクトル空間とは異なる文書埋め込みから生じる,負の類似性を持つグラフスペクトルクラスタリングの問題について検討する。 実験により,本研究において提案される6つの異なる解の利点と欠点が示された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper investigates the problem of Graph Spectral Clustering with negative similarities, resulting from document embeddings different from the traditional Term Vector Space (like doc2vec, GloVe, etc.). Solutions for combinatorial Laplacians and normalized Laplacians are discussed. An experimental investigation shows the advantages and disadvantages of 6 different solutions proposed in the literature and in this research. The research demonstrates that GloVe embeddings frequently cause failures of normalized Laplacian based GSC due to negative similarities. Furthermore, application of methods curing similarity negativity leads to accuracy improvement for both combinatorial and normalized Laplacian based GSC. It also leads to applicability for GloVe embeddings of explanation methods developed originally bythe authors for Term Vector Space embeddings.
• Abstract（参考訳）: 本稿では,従来の用語ベクトル空間(doc2vec,GloVeなど)とは異なる文書埋め込みから生じる,負の類似性を持つグラフスペクトルクラスタリングの問題について検討する。 組合せラプラシアンと正規化ラプラシアンの解について論じる。 実験により,本研究において提案される6つの異なる解の利点と欠点が示された。 この研究は、GloVeの埋め込みが、負の類似性のため、正規化されたラプラシア系GSCの失敗を頻繁に引き起こすことを示した。 さらに、類似性陰性度を補正する手法の適用により、組合せおよび正規化ラプラシアンベースGSCの精度が向上する。 また、用語ベクトル空間埋め込みの著者によって開発された説明手法のGloVe埋め込みの適用性ももたらした。

関連論文リスト

• A New Formulation of Lipschitz Constrained With Functional Gradient Learning for GANs [52.55025869932486]
  本稿では,大規模データセット上でGAN(Generative Adversarial Networks)のトレーニングを行うための有望な代替手法を提案する。 本稿では,GANの学習を安定させるために,Lipschitz-Constrained Functional Gradient GANs Learning (Li-CFG)法を提案する。 判別器勾配のノルムを増大させることにより、潜在ベクトルの近傍サイズを小さくすることができることを示す。
  論文  参考訳（メタデータ） (2025-01-20T02:48:07Z)
• Contrastive CFG: Improving CFG in Diffusion Models by Contrasting Positive and Negative Concepts [55.298031232672734]
  As-Free Guidance (CFG) は条件拡散モデルサンプリングに有効であることが証明された。 対照的な損失を用いた負のCFG誘導を強化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T03:29:27Z)
• Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
  グラフ異常検出(GAD)は二項分類の問題である。 ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。 ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:07:34Z)
• Explainable Graph Spectral Clustering of Text Documents [0.0]
  本稿では,ラプラシアン系グラフスペクトルクラスタリングの結果を説明することを提案する。 これはラプラシアン埋め込み(英語版)、$K$-埋め込み(この論文で提案されている)および項ベクトル空間埋め込み(英語版)の同値性(近似)を示すことに基づいている。
  論文  参考訳（メタデータ） (2023-08-01T12:39:42Z)
• Supervised Contrastive Learning with Heterogeneous Similarity for Distribution Shifts [3.7819322027528113]
  本稿では,教師付きコントラスト学習を用いた新たな正規化手法を提案する。 サブポピュレーションシフトや領域一般化などの分布シフトをエミュレートするベンチマークデータセットの実験は,提案手法の利点を実証している。
  論文  参考訳（メタデータ） (2023-04-07T01:45:09Z)
• Graph Anomaly Detection via Multi-Scale Contrastive Learning Networks with Augmented View [30.096056498278752]
  グラフ異常検出(GAD)は、グラフベースの機械学習において重要なタスクであり、多くの現実世界のアプリケーションに広く応用されている。 最近の手法は、GAD、すなわちノード-サブグラフとノード-ノードコントラストの様々なコントラスト戦略に注意を払っている。 本稿では,まず,サブグラフ・サブグラフ・コントラストを用いたマルチビューマルチスケールコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-01T14:39:41Z)
• Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
  我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。 この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。 本手法は理論上も経験上も従来の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-02T09:06:10Z)
• Contrastive Laplacian Eigenmaps [37.5297239772525]
  グラフの対照的な学習は、類似性の概念の下で類似/異種ノードペアのノード表現を惹きつける/分散する。 我々は、著名なラプラシア固有写像を対照的な学習で拡張し、これらをContrastive Laplacian EigenmapS (COLES) と呼ぶ。
  論文  参考訳（メタデータ） (2022-01-14T14:59:05Z)
• Prototypical Graph Contrastive Learning [141.30842113683775]
  本稿では,有意なサンプリングバイアスを緩和するために,プロトタイプグラフコントラスト学習(PGCL)手法を提案する。 具体的には、PGCLは、グラフデータの基盤となる意味構造を、意味論的に類似したグラフを同じグループにクラスタリングすることでモデル化し、同時に、同じグラフの異なる拡張に対するクラスタリング一貫性を奨励する。 クエリのために、PGCLはさらに、プロトタイプ(クラスタセントロイド)とクエリプロトタイプの間の距離に基づいて、負のサンプルを再重み付けする。
  論文  参考訳（メタデータ） (2021-06-17T16:45:31Z)
• On the Replicability of Combining Word Embeddings and Retrieval Models [71.18271398274513]
  我々は、Fisherカーネルフレームワークの使用に関する魅力的な仮説を実証しようとする最近の実験を再現する。 具体的には、von Mises-Fisher (VMF) 分布の混合モデルを使用することは、VMF とベクトル空間モデルの両方の余弦距離に焦点をあてることによって有益である。
  論文  参考訳（メタデータ） (2020-01-13T19:01:07Z)

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。