論文の概要: The Impact of Dimensionality on the Stability of Node Embeddings

• arxiv url: http://arxiv.org/abs/2604.08492v1
• Date: Thu, 09 Apr 2026 17:33:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:06.048483
• Title: The Impact of Dimensionality on the Stability of Node Embeddings
• Title（参考訳）: ノード埋め込みの安定性に及ぼす寸法の影響
• Authors: Tobias Schumacher, Simon Reichelt, Markus Strohmaier,
• Abstract要約: ノード埋め込みの寸法変化が,その安定性と下流性能に与える影響について検討する。 我々は、ASNE、DGI、GraphSAGE、node2vec、VERSEの5つの広く使われている手法を評価した。 実験の結果, 埋込安定性は次元によって大きく異なるが, 検討対象の方法によって異なるパターンが観察されることがわかった。
• 参考スコア（独自算出の注目度）: 2.94844545455225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Previous work has established that neural network-based node embeddings return different outcomes when trained with identical parameters on the same dataset, just from using different training seeds. Yet, it has not been thoroughly analyzed how key hyperparameters such as embedding dimension could impact this instability. In this work, we investigate how varying the dimensionality of node embeddings influences both their stability and downstream performance. We systematically evaluate five widely used methods -- ASNE, DGI, GraphSAGE, node2vec, and VERSE -- across multiple datasets and embedding dimensions. We assess stability from both a representational perspective and a functional perspective, alongside performance evaluation. Our results show that embedding stability varies significantly with dimensionality, but we observe different patterns across the methods we consider: while some approaches, such as node2vec and ASNE, tend to become more stable with higher dimensionality, other methods do not exhibit the same trend. Moreover, we find that maximum stability does not necessarily align with optimal task performance. These findings highlight the importance of carefully selecting embedding dimension, and provide new insights into the trade-offs between stability, performance, and computational effectiveness in graph representation learning.
• Abstract（参考訳）: これまでの研究によると、ニューラルネットワークベースのノード埋め込みは、異なるトレーニングシードを使用するだけで、同じデータセット上で同じパラメータでトレーニングされた場合、異なる結果を返す。 しかし、埋め込み次元のような重要なハイパーパラメータがこの不安定性にどのように影響するかは、完全には分析されていない。 本研究では,ノード埋め込みの次元変化が,その安定性と下流性能に与える影響について検討する。 複数のデータセットと埋め込み次元で、ASNE、DGI、GraphSAGE、node2vec、VERSEの5つの広く使われている手法を体系的に評価した。 我々は,性能評価とともに,表現的視点と機能的視点の両方から安定性を評価する。 以上の結果から, 埋込安定性は次元性によって大きく異なるが, 異なるパターンを考察する: node2vec や ASNE などいくつかの手法では, より高次元性でより安定する傾向にあるが, 他の手法では同じ傾向を示すことはない。 さらに,最大安定性は最適タスク性能と必ずしも一致しないことがわかった。 これらの知見は埋め込み次元を慎重に選択することの重要性を強調し、グラフ表現学習における安定性、性能、計算効率のトレードオフに関する新たな洞察を提供する。

関連論文リスト

• The Density of Cross-Persistence Diagrams and Its Applications [67.12329106585666]
  トポロジカルデータ分析(TDA)は、クラスタやループ、ヴォイドといったトポロジ的特徴を通じて、データの形状と構造を探索する強力なツールを提供する。 永続化ダイアグラムはTDAの基盤であり、スケールを越えたこれらの機能の進化を捉えています。 最近導入されたクロスパースペンス・ダイアグラム(クロスバーコード)は、2点雲の位相的特徴間の関係を特徴付けることでこの制限に対処する。
  論文  参考訳（メタデータ） (2026-03-12T07:33:15Z)
• Geometric Operator Learning with Optimal Transport [77.16909146519227]
  複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。 表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。 ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
  論文  参考訳（メタデータ） (2025-07-26T21:28:25Z)
• Stable Neural Stochastic Differential Equations in Analyzing Irregular Time Series Data [3.686808512438363]
  実世界の時系列データにおける不規則サンプリング間隔と欠落値は,従来の手法の課題である。 本稿では,Langevin-type SDE,Linear Noise SDE,Geometric SDEの3つの安定クラスを提案する。 本研究は,実世界の不規則時系列データを扱う上で,提案手法の有効性を示すものである。
  論文  参考訳（メタデータ） (2024-02-22T22:00:03Z)
• Variational Voxel Pseudo Image Tracking [127.46919555100543]
  不確実性推定は、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。 本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking (VPIT) の変分ニューラルネットワークによるバージョンを提案する。
  論文  参考訳（メタデータ） (2023-02-12T13:34:50Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)
• Unveiling Anomalous Edges and Nominal Connectivity of Attributed Networks [53.56901624204265]
  本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。 まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。 第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
  論文  参考訳（メタデータ） (2021-04-17T20:00:40Z)
• Deep Bingham Networks: Dealing with Uncertainty and Ambiguity in Pose Estimation [74.76155168705975]
  Deep Bingham Networks (DBN)は、3Dデータに関するほぼすべての実生活アプリケーションで発生するポーズ関連の不確実性と曖昧性を扱うことができる。 DBNは、(i)異なる分布モードを生成できる多仮説予測ヘッドにより、アートダイレクトポーズ回帰ネットワークの状態を拡張する。 トレーニング中のモードや後方崩壊を回避し,数値安定性を向上させるための新しいトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-20T19:20:26Z)
• The Effects of Randomness on the Stability of Node Embeddings [5.126380982787905]
  グラフに5つのノード埋め込みアルゴリズムを適用し,その安定性をランダムに評価する。 ノードの中心性に依存しない埋め込み空間の幾何学において重要な不安定性を見出す。 これは、ノードの埋め込みを扱う場合、不安定性の影響を考慮する必要があることを示唆している。
  論文  参考訳（メタデータ） (2020-05-20T13:36:09Z)

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。