論文の概要: Knowledge Graphs as Structured Memory for Embedding Spaces: From Training Clusters to Explainable Inference

• arxiv url: http://arxiv.org/abs/2511.14961v1
• Date: Tue, 18 Nov 2025 23:02:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.556125
• Title: Knowledge Graphs as Structured Memory for Embedding Spaces: From Training Clusters to Explainable Inference
• Title（参考訳）: 空間埋め込みのための構造化メモリとしての知識グラフ:トレーニングクラスタから説明可能な推論へ
• Authors: Artur A. Oliveira, Mateus Espadoto, Roberto M. Cesar, Roberto Hirata,
• Abstract要約: Graph Memory(GM)は、組み込みベースの推論を領域レベルのプロトタイプよりもコンパクトでリレーショナルなメモリで強化する構造化された非パラメトリックフレームワークである。 信頼性と関係構造を明示的にモデル化することにより、GMは非パラメトリック学習における局所的な証拠とグローバルな一貫性の間に原則化された橋渡しを提供する。
• 参考スコア（独自算出の注目度）: 3.2945446636945963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Graph Memory (GM), a structured non-parametric framework that augments embedding-based inference with a compact, relational memory over region-level prototypes. Rather than treating each training instance in isolation, GM summarizes the embedding space into prototype nodes annotated with reliability indicators and connected by edges that encode geometric and contextual relations. This design unifies instance retrieval, prototype-based reasoning, and graph-based label propagation within a single inductive model that supports both efficient inference and faithful explanation. Experiments on synthetic and real datasets including breast histopathology (IDC) show that GM achieves accuracy competitive with $k$NN and Label Spreading while offering substantially better calibration and smoother decision boundaries, all with an order of magnitude fewer samples. By explicitly modeling reliability and relational structure, GM provides a principled bridge between local evidence and global consistency in non-parametric learning.
• Abstract（参考訳）: グラフメモリ(GM)は,埋め込み型推論を領域レベルのプロトタイプよりもコンパクトでリレーショナルなメモリで拡張する,非パラメトリックな構造化フレームワークである。 GMは、各トレーニングインスタンスを個別に扱うのではなく、信頼性インジケータで注釈付けされたプロトタイプノードに埋め込み空間を要約し、幾何学的および文脈的関係を符号化するエッジで接続する。 この設計は、効率的な推論と忠実な説明の両方をサポートする単一の帰納的モデル内に、インスタンス検索、プロトタイプベースの推論、グラフベースのラベル伝搬を統一する。 乳腺病理学(IDC)を含む合成および実際のデータセットの実験では、GMが$k$NNやLabel Spreadingと競合する精度を実現し、キャリブレーションが大幅に改善され、決定境界がスムーズになった。 信頼性と関係構造を明示的にモデル化することにより、GMは非パラメトリック学習における局所的な証拠とグローバルな一貫性の間に原則化された橋渡しを提供する。

関連論文リスト

• Predict, Cluster, Refine: A Joint Embedding Predictive Self-Supervised Framework for Graph Representation Learning [0.0]
  グラフ表現学習は、ノード分類やリンク予測といったタスクの基盤として登場した。 現在の自己教師付き学習(SSL)手法は、計算の非効率性、対照的な目的への依存、表現の崩壊といった課題に直面している。 本稿では,意味情報と構造情報を保存しながら,対照的な目的と負のサンプリングを排除したグラフSSLのための新しい結合埋め込み予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-02T07:42:45Z)
• DeCaf: A Causal Decoupling Framework for OOD Generalization on Node Classification [14.96980804513399]
  グラフニューラルネットワーク(GNN)は、分散シフトの影響を受けやすいため、クリティカルドメインの脆弱性やセキュリティ上の問題が発生する。 不変(機能、構造)-ラベルマッピングの学習を目標とする既存の方法は、データ生成プロセスに関する過度に単純化された仮定に依存することが多い。 構造因果モデル(SCM)を用いたより現実的なグラフデータ生成モデルを提案する。 本稿では,非バイアスな特徴ラベルと構造ラベルのマッピングを独立に学習する,カジュアルなデカップリングフレームワークDeCafを提案する。
  論文  参考訳（メタデータ） (2024-10-27T00:22:18Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• 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)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)

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。