Fugu-MT 論文翻訳(概要): Aitchison Embeddings for Learning Compositional Graph Representations

論文の概要: Aitchison Embeddings for Learning Compositional Graph Representations

arxiv url: http://arxiv.org/abs/2605.00716v1
Date: Fri, 01 May 2026 15:05:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-04 17:43:28.991188
Title: Aitchison Embeddings for Learning Compositional Graph Representations
Title（参考訳）: 合成グラフ表現学習のためのAitchison Embeddings
Authors: Nikolaos Nakis, Chrysoula Kosma, Panagiotis Promponas, Michail Chatzianastasis, Giannis Nikolentzos,
Abstract要約: 混合の比較のための標準幾何学であるアッチソン幾何に基づくグラフ埋め込みフレームワークを提案する。提案手法は,ポストホックではなく建設による説明性を提供しながら,強いベースラインを持つ競争性能を実現する。
参考スコア（独自算出の注目度）: 8.849342925277577
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Representation learning is central to graph machine learning, powering tasks such as link prediction and node classification. However, most graph embeddings are hard to interpret, offering limited insight into how learned features relate to graph structure. Many networks naturally admit a role-mixture view, where nodes are best described as mixtures over latent archetypal factors. Motivated by this structure, we propose a compositional graph embedding framework grounded in Aitchison geometry, the canonical geometry for comparing mixtures. Nodes are represented as simplex-valued compositions and embedded via isometric log-ratio (ILR) coordinates, which preserve Aitchison distances while enabling unconstrained optimization in Euclidean space. This yields intrinsically interpretable embeddings whose geometry reflects relative trade-offs among archetypes and supports coherent behavior under component restriction; we consider both fixed and learnable ILR bases. Across node classification and link prediction, our method achieves competitive performance with strong baselines while providing explainability by construction rather than post-hoc. Finally, subcompositional coherence enables principled component restriction: removing and renormalizing subsets preserves a well-defined geometry, which we exploit via subcompositional dimensionality removal to probe how archetype groups influence representations and predictions.
Abstract（参考訳）: 表現学習はグラフ機械学習の中心であり、リンク予測やノード分類といったタスクをパワーアップする。しかし、ほとんどのグラフ埋め込みは解釈が困難であり、学習した機能がグラフ構造とどのように関係しているかについての限られた洞察を提供する。多くのネットワークは自然に役割混合ビューを認めており、ノードは潜伏した根尖因子よりも混合として記述される。この構造を動機として、混合物の比較のための標準幾何学であるアッチソン幾何学を基盤とした合成グラフ埋め込みフレームワークを提案する。ノードは単純なx値の合成として表現され、アイソメトリック対数比 (ILR) 座標によって埋め込まれ、ユークリッド空間において制約のない最適化が可能となる。このことは、アーチタイプ間の相対的なトレードオフを反映し、コンポーネント制限下でのコヒーレントな振舞いをサポートする幾何学が本質的に解釈可能な埋め込みをもたらす。ノードの分類とリンク予測において,提案手法はポストホックではなく構築による説明性を提供しながら,強いベースラインを持つ競合性能を実現する。最後に、部分構成的コヒーレンス(subcompositional coherence)は、基本成分の制限を可能にする: 部分集合の除去と再正規化は、定義の整った幾何を保存し、それを利用して、アーキタイプ群が表現や予測にどのように影響するかを探索する。

関連論文リスト

Robust Graph Matching through Semantic Relationship Generation for SLAM [0.15635627702544694]
Scene Graphsは、ローカルに観測されたグラフと事前マップをマッチングすることで、構造化された屋内環境のローカライズを可能にする。本稿では,検出対象と構造要素の関係を明示的にモデル化する意味強化グラフマッチング手法を提案する。その結果、意味的関係は、候補マッチングの数を大幅に減らし、計算効率を向上し、より高速な収束を可能にした。
論文参考訳（メタデータ） (2026-04-28T09:15:51Z)
Aligning the Unseen in Attributed Graphs: Interplay between Graph Geometry and Node Attributes Manifold [0.46976113832881716]
構造アライメントから多様体学習を分離するカスタム変分オートエンコーダを導入する。属性多様体をグラフのHeat Kernelにマッピングするために必要な計量歪みを定量化することにより、幾何学的衝突を構造記述子に変換する。
論文参考訳（メタデータ） (2026-01-30T10:34:26Z)
Few-Shot Learning of a Graph-Based Neural Network Model Without Backpropagation [0.0]
バックプロパゲーションを使わずに数発の撮影方式で輪郭画像を分類する構造グラフ手法を提案する。画像は属性付きグラフ(幾何学的属性を持つノードとして表される臨界点と線)として符号化され、概念的誘引子の形成によって一般化される。
論文参考訳（メタデータ） (2025-12-20T16:23:51Z)
GraphShaper: Geometry-aware Alignment for Improving Transfer Learning in Text-Attributed Graphs [16.624063216788638]
マルチジオメトリ・スペシャライゼーションによるグラフエンコーディングを強化した幾何認識フレームワークである textbfGraphShaper を紹介する。我々のアプローチでは、異なる幾何学的空間に合わせた専門家ネットワークを使用し、動的に融合重みを計算し、幾何学的特性を適応的に統合する。引用ネットワークでは9.47%、ゼロショット設定では7.63%の精度向上を実現している。
論文参考訳（メタデータ） (2025-10-14T02:48:50Z)
A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
署名されたグラフの枠組みに基づく統一的な理論的視点を示す。既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
論文参考訳（メタデータ） (2025-02-17T03:25:36Z)
PA-GM: Position-Aware Learning of Embedding Networks for Deep Graph Matching [14.713628231555223]
本稿では,線形代入問題を高次元空間にマッピングできる新しいエンドツーエンドニューラルネットワークを提案する。我々のモデルは、ノードの相対的な位置に対するアンカーセットを構成する。そして、相対位置の尺度に基づいて、ターゲットノードと各アンカーノードの特徴情報を集約する。
論文参考訳（メタデータ） (2023-01-05T06:54:21Z)
Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
論文参考訳（メタデータ） (2022-06-25T03:54:53Z)
Adversarial Graph Disentanglement [47.27978741175575]
実世界のグラフは複雑な位相構造を持ち、しばしば異なる潜在因子の相互作用によって形成される。グラフ表現学習のためのアンダーラインtextbfAdversarial underlinetextbfDisentangled underlinetextbfGraph underlinetextbfConvolutional underlinetextbfNetwork (ADGCN)を提案する。
論文参考訳（メタデータ） (2021-03-12T14:11:36Z)
Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
論文参考訳（メタデータ） (2020-11-06T12:17:01Z)
Spectral Embedding of Graph Networks [76.27138343125985]
ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
論文参考訳（メタデータ） (2020-09-30T04:59:10Z)
Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文参考訳（メタデータ） (2020-05-16T04:44:29Z)

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。