論文の概要: A Unified Framework of Hyperbolic Graph Representation Learning Methods

• arxiv url: http://arxiv.org/abs/2604.28070v1
• Date: Thu, 30 Apr 2026 16:17:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.194909
• Title: A Unified Framework of Hyperbolic Graph Representation Learning Methods
• Title（参考訳）: 双曲グラフ表現学習の統一フレームワーク
• Authors: Sofía Pérez Casulo, Marcelo Fiori, Bernardo Marenco, Federico Larroca,
• Abstract要約: ハイパーボリックグラフ表現学習のための統一的なオープンソースフレームワークを提案する。 この新しいフレームワークは、双曲型埋め込みの一貫性のあるトレーニング、可視化、評価を可能にする。 本研究では,実世界のネットワーク上での双曲的埋め込み手法の実験的検討を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperbolic geometry has emerged as an effective latent space for representing complex networks, owing to its ability to capture hierarchical organization and heterogeneous connectivity patterns using low-dimensional embeddings. As a result, numerous hyperbolic graph representation learning methods have been proposed in recent years. However, their practical adoption and systematic comparison remain challenging, as implementations are fragmented and shared tools for reproducible and fair evaluation are lacking. In this work, we introduce a unified open-source framework for hyperbolic graph representation learning that integrates several widely used embedding methods under a common optimization interface. The novel framework enables consistent training, visualization, and evaluation of hyperbolic embeddings, and interfaces seamlessly with standard network analysis tools. Leveraging this unified setup, we conduct an experimental study of hyperbolic embedding methods on real-world networks, focusing on two canonical downstream tasks: link prediction and node classification. Beyond predictive accuracy, the study offers practical insights into the strengths and limitations of existing approaches, thereby facilitating informed method selection and fostering reproducible research in hyperbolic graph representation learning.
• Abstract（参考訳）: 双曲幾何学は、階層構造や不均一な接続パターンを低次元埋め込みを用いて捉える能力から、複雑なネットワークを表現するための効果的な潜在空間として登場した。 その結果,近年,多くの双曲グラフ表現学習法が提案されている。 しかし、実装が断片化され、再現性や公正な評価のための共有ツールが欠如しているため、それらの実践的採用と体系的な比較は依然として困難である。 本稿では,多元グラフ表現学習のための統一的なオープンソースフレームワークについて紹介する。 この新しいフレームワークは、双曲型埋め込みの一貫性のあるトレーニング、可視化、評価を可能にし、標準のネットワーク分析ツールとシームレスにインターフェースを提供する。 この統合されたセットアップを活用することで、リンク予測とノード分類という2つの標準下流タスクに焦点をあてた、実世界のネットワーク上での双曲的埋め込み手法の実験的研究を行う。 この研究は、予測精度以外にも、既存のアプローチの長所と短所に関する実践的な洞察を提供し、それによって情報的手法の選択が促進され、双曲グラフ表現学習における再現可能な研究が促進される。

関連論文リスト

• Hyperbolic Representation Learning: Revisiting and Advancing [43.1661098138936]
  本稿では,現在普及しているhlmを精査する位置追跡機構を導入し,学習された表現が準最適で不満足であることを明らかにする。 本稿では,ノードの双曲的距離から推定されるコストフリーな階層的情報を原点に組み込むことにより,シンプルで効果的な情報埋め込み手法であるハイボリックインフォメーション(HIE)を提案する。 提案手法は, 競合するベースラインに比べて最大21.4%向上した。
  論文  参考訳（メタデータ） (2023-06-15T13:25:39Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
  マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。 本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。 複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-11-08T09:19:32Z)
• Latent Heterogeneous Graph Network for Incomplete Multi-View Learning [57.49776938934186]
  非完全多視点学習のための新しい遅延不均質グラフネットワーク(LHGN)を提案する。 統一された潜在表現を学習することにより、異なる視点間の一貫性と相補性の間のトレードオフが暗黙的に実現される。 学習とテストフェーズの不整合を回避するため,分類タスクのグラフ学習に基づくトランスダクティブ学習手法を適用した。
  論文  参考訳（メタデータ） (2022-08-29T15:14:21Z)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [61.49208407567829]
  本稿では,ハイパボリックグラフ学習(HGL)の急速な発展分野を概観する。 我々は,(1)ハイパーボリックグラフ埋め込みに基づく手法,(2)グラフニューラルネットワークに基づくハイパーボリックモデル,(3)新興パラダイムに分割した既存手法を体系的に分類し,解析した。 我々は、推薦システム、知識グラフ、バイオインフォマティクス、その他の関連するシナリオを含む、複数のドメインにわたるHGLの多様な応用について幅広く論じる。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Quantifying Challenges in the Application of Graph Representation Learning [0.0]
  私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。 実世界のグラフ特性に関する表現力を評価する。 GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
  論文  参考訳（メタデータ） (2020-06-18T03:19:43Z)
• Deep Graph Contrastive Representation Learning [23.37786673825192]
  ノードレベルでの対照的な目的を生かして,教師なしグラフ表現学習のための新しいフレームワークを提案する。 具体的には,この2つのビューにおけるノード表現の一致を最大化することにより,ノード表現の破損と学習によって2つのグラフビューを生成する。 我々は,様々な実世界のデータセットを用いて,帰納的および帰納的学習タスクの実証実験を行った。
  論文  参考訳（メタデータ） (2020-06-07T11:50:45Z)

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。