論文の概要: Leveraging Manifold Embeddings for Enhanced Graph Transformer Representations and Learning

• arxiv url: http://arxiv.org/abs/2507.07335v1
• Date: Wed, 09 Jul 2025 23:33:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.229579
• Title: Leveraging Manifold Embeddings for Enhanced Graph Transformer Representations and Learning
• Title（参考訳）: グラフ変換器表現と学習のためのマニフォールド埋め込みの活用
• Authors: Ankit Jyothish, Ali Jannesari,
• Abstract要約: グラフ変換器は1つのユークリッド空間にすべてのノードを埋め込む。 我々は各ノードを様々な種類の多様体にルートする混合実験層を前置する。 これらの射影は、潜在空間に固有の説明を与える。
• 参考スコア（独自算出の注目度）: 6.436397118145477
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph transformers typically embed every node in a single Euclidean space, blurring heterogeneous topologies. We prepend a lightweight Riemannian mixture-of-experts layer that routes each node to various kinds of manifold, mixture of spherical, flat, hyperbolic - best matching its local structure. These projections provide intrinsic geometric explanations to the latent space. Inserted into a state-of-the-art ensemble graph transformer, this projector lifts accuracy by up to 3% on four node-classification benchmarks. The ensemble makes sure that both euclidean and non-euclidean features are captured. Explicit, geometry-aware projection thus sharpens predictive power while making graph representations more interpretable.
• Abstract（参考訳）: グラフ変換器は通常、1つのユークリッド空間に全てのノードを埋め込み、不均一位相を曖昧にする。 我々は、各ノードを様々な種類の多様体、球面、平坦、双曲の混合にルートする軽量リーマン混合実験層を、その局所構造に最もよく適合させる。 これらの射影は、潜在空間に固有の幾何学的説明を与える。 このプロジェクタは最先端のアンサンブルグラフ変換器に挿入され、4つのノード分類ベンチマークで最大3%精度を向上する。 このアンサンブルは、ユークリッドと非ユークリッドの特徴の両方を捕捉する。 これにより、グラフ表現をより解釈しやすくしながら、明示的で幾何学的な投影が予測力を鋭くする。

関連論文リスト

• On the Expressive Power of Sparse Geometric MPNNs [3.396731589928944]
  幾何学グラフに対するメッセージパッシングニューラルネットワークの表現力について検討する。 非同型幾何グラフの一般的なペアは、メッセージパッシングネットワークによって分離可能であることを示す。 理論的保証を達成し,代替アーキテクチャと良好に比較可能な,シンプルなアーキテクチャであるEGENNETを導入する。
  論文  参考訳（メタデータ） (2024-07-02T07:48:22Z)
• 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)
• Understanding and Mitigating Hyperbolic Dimensional Collapse in Graph Contrastive Learning [70.0681902472251]
  双曲空間における高品質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)
• Curve Your Attention: Mixed-Curvature Transformers for Graph Representation Learning [77.1421343649344]
  本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。 また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
  論文  参考訳（メタデータ） (2023-09-08T02:44:37Z)
• FMGNN: Fused Manifold Graph Neural Network [102.61136611255593]
  グラフ表現学習は、様々なグラフタスクにおいて広く研究され、効果が実証されている。 本稿では,異なるマニフォールドにグラフを埋め込む新しいGNNアーキテクチャであるFused Manifold Graph Neural Network (NN)を提案する。 提案実験により,NNはノード分類およびリンク予測タスクのベンチマークにおいて,強いベースラインよりも優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-04-03T15:38:53Z)
• 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)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• 5* Knowledge Graph Embeddings with Projective Transformations [13.723120574076127]
  射影幾何学における知識グラフ埋め込みモデル(5*E)を提案する。 インバージョン、リフレクション、翻訳、回転、ホモセティといった複数の同時変換をサポートする。 これは、最も広く使われているリンク予測ベンチマークにおいて、既存のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-08T23:28:07Z)

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。