論文の概要: Polaris: Coupled Orbital Polar Embeddings for Hierarchical Concept Learning

• arxiv url: http://arxiv.org/abs/2605.00265v1
• Date: Thu, 30 Apr 2026 22:02:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.775468
• Title: Polaris: Coupled Orbital Polar Embeddings for Hierarchical Concept Learning
• Title（参考訳）: Polaris:階層的な概念学習のための結合した軌道極性埋め込み
• Authors: Sahil Mishra, Srinitish Srinivasan, Sourish Dasgupta, Tanmoy Chakraborty,
• Abstract要約: 角幾何学と半径を用いた階層構造から意味を分離するフレームワークであるPolarisを紹介する。 ポラリスは、ロバストな局所的制約、幾何学的崩壊を防ぐ大域的な正規化、不確実性を考慮した非対称な目的を組み合わせている。 我々は,木々,多目的DAG,マルチモーダル階層といった分類学的拡張の異なる設定でPolarisを評価した。
• 参考スコア（独自算出の注目度）: 18.103378321542795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world knowledge is often organized as hierarchies such as product taxonomies, medical ontologies, and label trees, yet learning hierarchical representations is challenging due to asymmetric structure and noisy semantics. We introduce Polaris, a polar hyperspherical embedding framework that separates semanticity from hierarchy using angular geometry and radius, enabling the learning of meaning and structure without interference. To map latent representation onto the sphere, we project it to the tangent space at the north pole, apply the exponential map, and learn unit-norm representations using spherical linear layers. Polaris then combines robust local constraints, global regularization that prevents geometric collapse, and uncertainty-aware asymmetric objectives that encourage directional containment. At inference time, Polaris uses structure-guided retrieval to efficiently narrow down candidate parents before final ranking. We evaluate Polaris on different settings of taxonomy expansion - spanning trees, multi-parent DAGs, and multimodal hierarchies, showing consistent improvements of up to ~19 points in top-K retrieval and up to ~60% reduction in mean rank over fourteen strong baselines.
• Abstract（参考訳）: 実世界の知識は、しばしば、製品分類学、医学オントロジー、ラベルツリーなどの階層として組織されるが、非対称構造とノイズ意味論のために階層的な表現を学ぶことは困難である。 極超球面埋め込みフレームワークであるPolarisを導入し、角幾何学と半径を用いて意味を階層構造から分離し、干渉することなく意味や構造を学習する。 球面上に潜在表現を写像するために、北極の接空間に射影し、指数写像を適用し、球面線型層を用いて単位ノルム表現を学ぶ。 ポラリスは、ロバストな局所的制約、幾何学的崩壊を防ぐ大域的な正則化、そして方向の包摂を促進する不確実性非対称な目的を結合する。 推測時には、Polarisは最終ランキングの前に、構造誘導検索を使用して、候補の両親を効率的に絞り込む。 本研究では,木々,多目的DAG,マルチモーダル階層にまたがる分類学的拡張の異なる設定でPolarisを評価し,トップK検索における最大19点の改善と14の強い基準線に対する平均ランクの最大60%の低下を連続的に示す。

関連論文リスト

• Curvature-Aware PCA with Geodesic Tangent Space Aggregation for Semi-Supervised Learning [52.452902154360565]
  GTSA-PCAは主成分分析の幾何学的拡張である。 曲率認識と測地的整合性を統合されたスペクトルフレームワークに統合する。 以上の結果から,GTSA-PCAは次元減少に対する統計的および幾何学的アプローチの原則的ブリッジとして位置づけられた。
  論文  参考訳（メタデータ） (2026-04-20T20:36:36Z)
• RecBundle: A Next-Generation Geometric Paradigm for Explainable Recommender Systems [37.18720315591006]
  本稿では,現代の微分幾何学からFiber Bundleを導入し,レコメンダシステムのための新しい幾何学的解析パラダイムを提案する。 そこで我々は,次世代レコメンデータシステムを対象としたフレームワークRecBundleを構築した。
  論文  参考訳（メタデータ） (2026-03-17T03:25:05Z)
• Combining Euclidean and Hyperbolic Representations for Node-level Anomaly Detection [0.20136346739539893]
  我々はEuclideanとHyperbolic Graph Neural Networksを併用してノード表現の相補的な側面を捉えるフレームワークであるJanusを紹介する。 ヤヌスは浅い基底線と深い基底線を一貫して上回り、複数の幾何学的表現を組み合わせることでグラフの微妙で複雑な異常を識別するための堅牢で効果的なアプローチを実証的に示している。
  論文  参考訳（メタデータ） (2025-10-13T18:28:12Z)
• Achieving Hyperbolic-Like Expressiveness with Arbitrary Euclidean Regions: A New Approach to Hierarchical Embeddings [9.614222676567385]
  本稿では,任意の幾何学的領域を埋め込み表現として用いることを支援するフレキシブルユークリッドフレームワークRegDを提案する。 RegDは、領域間の深さに基づく相似性を導入し、双曲幾何学の重要な性質をエミュレートすることで、双曲的表現性を実現する。 実世界の多様なデータセットに対する実証的な評価は、最先端の手法よりも一貫した性能向上を示す。
  論文  参考訳（メタデータ） (2025-01-29T09:44:03Z)
• SGFormer: Spherical Geometry Transformer for 360 Depth Estimation [52.23806040289676]
  パノラマ歪みは360度深度推定において大きな課題となる。 本稿では,SGFormer という球面形状変換器を提案し,上記の問題に対処する。 また、様々な解像度で空間構造を補うために、クエリベースの大域的条件位置埋め込みを提案する。
  論文  参考訳（メタデータ） (2024-04-23T12:36:24Z)
• 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)
• kHGCN: Tree-likeness Modeling via Continuous and Discrete Curvature Learning [39.25873010585029]
  本研究では,学習過程においてネットワークトポロジが伝達するメッセージを符号化することを目的として,離散構造と連続学習空間の曲率を探索する。 曲率を考慮したハイパーボリックグラフ畳み込みニューラルネットワークであるKappaHGCNを提案する。
  論文  参考訳（メタデータ） (2022-12-04T10:45:42Z)
• Position-aware Structure Learning for Graph Topology-imbalance by Relieving Under-reaching and Over-squashing [67.83086131278904]
  トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。 PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。 私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
  論文  参考訳（メタデータ） (2022-08-17T14:04:21Z)

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。