論文の概要: Bridging Graph Drawing and Dimensionality Reduction with Stochastic Stress Optimization
- arxiv url: http://arxiv.org/abs/2605.00641v1
- Date: Fri, 01 May 2026 13:22:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 17:43:28.962867
- Title: Bridging Graph Drawing and Dimensionality Reduction with Stochastic Stress Optimization
- Title（参考訳）: 確率的応力最適化によるブリッジグラフ描画と次元性低減
- Authors: Daniel Hangan, Stephen Kobourov, Jacob Miller,
- Abstract要約: 次元削減(DR)とグラフ描画(GD)は抽象的で非線形な構造を視覚化することを目的としているが、異なる最適化パラダイムに依存している。
グラフ描画からベクトルデータ埋め込みへのグラディエント・Descent(SGD)技術の適用により,これらの領域をブリッジする。
- 参考スコア（独自算出の注目度）: 0.22940141855172028
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Both Dimensionality Reduction (DR) and Graph Drawing (GD) aim to visualize abstract, non-linear structures, yet rely on different optimization paradigms. This contrast is evident in Multidimensional Scaling (MDS), which typically depends on the SMACOF algorithm despite graph drawing results showing that simpler stochastic optimization schemes can be more effective for the same objective. We bridge these domains by adapting Stochastic Gradient Descent (SGD) techniques from graph drawing to vector data embedding. We present a scikit-learn compatible estimator that minimizes global stress through local pairwise updates, improving upon the existing implementation. Experiments on standard high-dimensional benchmarks show that our stochastic solver converges substantially faster than SMACOF while achieving comparable or lower stress.
- Abstract（参考訳）: 次元削減(DR)とグラフ描画(GD)は、抽象的で非線形な構造を視覚化することを目的としているが、異なる最適化パラダイムに依存している。
この対比は多次元スケーリング(MDS)において明らかであり、グラフ描画結果にもかかわらずSMACOFアルゴリズムに依存しており、より単純な確率最適化スキームが同じ目的に対してより効果的であることを示している。
グラフ描画からベクトルデータ埋め込みへのSGD(Stochastic Gradient Descent)技術の適用により,これらの領域をブリッジする。
我々は,局所的なペアワイズ更新による世界的ストレスを最小限に抑え,既存の実装を改善したシンキト学習互換推定器を提案する。
標準高次元ベンチマーク実験により, 確率的解法はSMACOFよりもかなり高速に収束し, 同等あるいは低い応力を達成できた。
関連論文リスト
- LARGE: A Locally Adaptive Regularization Approach for Estimating Gaussian Graphical Models [2.3696387635465608]
グラフ推定のための局所適応正規化法(LARGE)を開発した。
LARGEは、グラフ推定と選択を改善するためにノードワイズチューニングパラメータを適応的に学習するアプローチである。
実際のfMRIデータセットから脳の接続性を推定し,本手法の実用性を示す。
論文 参考訳（メタデータ） (2026-01-14T18:37:50Z) - Word2VecGD: Neural Graph Drawing with Cosine-Stress Optimization [0.0]
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。
論文 参考訳（メタデータ） (2025-09-22T03:09:55Z) - Matrix Completion with Graph Information: A Provable Nonconvex Optimization Approach [5.235925587710112]
本稿では,グラフを用いた行列補完の問題について,変数間の相互関係を表す側情報として考察する。
本稿では,事前条件付き投射降下法に基づくGSGDと呼ばれるグラフ正規化行列補完アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-02-12T16:21:01Z) - Stochastic Variance-Reduced Iterative Hard Thresholding in Graph Sparsity Optimization [0.626226809683956]
グラデーションに基づくグラフ空間幅最適化法として,グラフRG-IHTとグラフSG-IHTの2つの手法を提案する。
我々は,手法が勾配に基づく枠組みを楽しむことを示す理論解析の一般性を示す。
論文 参考訳（メタデータ） (2024-07-24T03:26:26Z) - Clusterpath Gaussian Graphical Modeling [0.0]
ガウス図形モデル(CGGM)のクラスタパス推定器について紹介する。
変数をまとめてグループ化すると、ブロック構造的精度行列が生成される。
我々はCGGMが一致しただけでなく、しばしばグラフィカルモデルにおける変数クラスタリングの他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-06-30T10:11:18Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳（メタデータ） (2022-10-21T13:19:45Z) - 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) - Cogradient Descent for Dependable Learning [64.02052988844301]
双線形最適化問題に対処するために,CoGDアルゴリズムに基づく信頼度の高い学習法を提案する。
CoGDは、ある変数がスパーシティ制約を持つ場合の双線形問題を解くために導入された。
また、特徴と重みの関連を分解するためにも使用できるため、畳み込みニューラルネットワーク(CNN)をより良く訓練するための我々の手法をさらに一般化することができる。
論文 参考訳（メタデータ） (2021-06-20T04:28:20Z) - Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box
Optimization Framework [100.36569795440889]
この作業は、一階情報を必要としない零次最適化(ZO)の反復である。
座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
論文 参考訳（メタデータ） (2020-12-21T17:29:58Z) - Cogradient Descent for Bilinear Optimization [124.45816011848096]
双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。
一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。
本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
論文 参考訳（メタデータ） (2020-06-16T13:41:54Z)
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。