論文の概要: Word2VecGD: Neural Graph Drawing with Cosine-Stress Optimization

• arxiv url: http://arxiv.org/abs/2509.17333v1
• Date: Mon, 22 Sep 2025 03:09:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.222737
• Title: Word2VecGD: Neural Graph Drawing with Cosine-Stress Optimization
• Title（参考訳）: Word2VecGD:Cosine-Stress最適化によるニューラルグラフ描画
• Authors: Minglai Yang, Reyan Ahmed,
• Abstract要約: 正確な最短パス距離に頼るのではなく、コサインの相似性を用いてレイアウトを最適化する。 我々のフレームワークは、微分可能な応力最適化と勾配降下を統合している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel graph visualization method leveraging random walk-based embeddings to replace costly graph-theoretical distance computations. Using word2vec-inspired embeddings, our approach captures both structural and semantic relationships efficiently. Instead of relying on exact shortest-path distances, we optimize layouts using cosine dissimilarities, significantly reducing computational overhead. Our framework integrates differentiable stress optimization with stochastic gradient descent (SGD), supporting multi-criteria layout objectives. Experimental results demonstrate that our method produces high-quality, semantically meaningful layouts while efficiently scaling to large graphs. Code available at: https://github.com/mlyann/graphv_nn
• Abstract（参考訳）: 本稿では,ランダムな歩行に基づく埋め込みを利用して,コストのかかるグラフ理論距離計算を置き換える新しいグラフ可視化手法を提案する。 word2vecにインスパイアされた埋め込みを用いて,構造的関係と意味的関係を効率的に捉える。 正確な最短パス距離に頼る代わりに、コサインの相違を利用してレイアウトを最適化し、計算オーバーヘッドを大幅に削減する。 本フレームワークは, 応力最適化と確率勾配降下(SGD)を統合し, 複数基準レイアウトの目的をサポートする。 実験により,提案手法は大規模グラフに効率よくスケールしながら,高品質で意味のあるレイアウトを生成することを示した。 https://github.com/mlyann/graphv_nn

関連論文リスト

• LayoutGKN: Graph Similarity Learning of Floor Plans [11.388505978767627]
  グラフを比較する最も成功した方法は、高コストの中間グラフノードレベルの相互作用に依存する。 我々は、クロスグラフノードレベルの相互作用を延期するより効率的なアプローチである textbfGKN を導入する。 そこで,LayoutGKNはグラフマッチングネットワークよりも類似性を比較可能か優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-03T21:56:16Z)
• CoRe-GD: A Hierarchical Framework for Scalable Graph Visualization with GNNs [20.706469085872516]
  我々は、ストレスの最適化を学習できるサブクワッドラティックを備えたスケーラブルなグラフニューラルネットワーク(GNN)ベースのグラフ描画フレームワークを導入する。 古典的応力最適化手法と強制指向レイアウトアルゴリズムに着想を得て,入力グラフの粗い階層を生成する。 ネットワーク内の情報伝達を強化するために,新しい位置変換手法を提案する。
  論文  参考訳（メタデータ） (2024-02-09T10:50:45Z)
• Robust Attributed Graph Alignment via Joint Structure Learning and Optimal Transport [26.58964162799207]
  本稿では,構造化学習と最適輸送アライメントを併用した教師なしグラフアライメントフレームワークSLOTAlignを提案する。 マルチビュー構造学習を取り入れて、グラフ表現能力を高め、グラフ間で継承された構造と特徴の不整合の影響を低減する。 提案したSLOTAlignは、7つの教師なしグラフアライメント法と5つの特殊なKGアライメント法よりも優れた性能と強いロバスト性を示す。
  論文  参考訳（メタデータ） (2023-01-30T08:41:36Z)
• Condensing Graphs via One-Step Gradient Matching [50.07587238142548]
  ネットワーク重みを訓練せずに1ステップのみの勾配マッチングを行う1ステップ勾配マッチング方式を提案する。 我々の理論的分析は、この戦略が実際のグラフの分類損失を減少させる合成グラフを生成することができることを示している。 特に、元のパフォーマンスの最大98%を近似しながら、データセットサイズを90%削減することが可能です。
  論文  参考訳（メタデータ） (2022-06-15T18:20:01Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• A Regularized Wasserstein Framework for Graph Kernels [32.558913310384476]
  最適輸送の正規化に基づくグラフカーネルの学習フレームワークを提案する。 このフレームワークは、新しい最適輸送距離計量、すなわち正則化ワッサーシュタイン(RW)の不一致を提供する。 我々は12のデータセットを用いて16の最先端のベースラインに対して,我々の手法を実証的に検証した。
  論文  参考訳（メタデータ） (2021-10-06T07:54:04Z)
• FGOT: Graph Distances based on Filters and Optimal Transport [62.779521543654134]
  グラフ比較は、グラフ間の類似点と相違点の識別を扱う。 大きな障害は、グラフの未知のアライメントと、正確で安価な比較指標の欠如である。 本研究では,フィルタグラフ距離近似を導入する。
  論文  参考訳（メタデータ） (2021-09-09T17:43:07Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。