論文の概要: Hyperbolic Graph Embedders for Link Prediction and Topology Reconstruction

• arxiv url: http://arxiv.org/abs/2608.07029v1
• Date: Fri, 07 Aug 2026 09:42:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.452512
• Title: Hyperbolic Graph Embedders for Link Prediction and Topology Reconstruction
• Title（参考訳）: ハイパーボリックグラフ埋め込みによるリンク予測とトポロジー再構成
• Abstract要約: 我々は,リンク予測とトポロジ再構成のための統一プロトコルの下で,教師なしハイパーボリックグラフ埋め込み器13をベンチマークした。 このプロトコルは、欠落したリンクリカバリと、ローカルおよびグローバルネットワーク構造の保存の両方をキャプチャする。 パフォーマンスは、学際的な起源よりも、埋め込みパラダイムに強く結びついている。
• 参考スコア（独自算出の注目度）: 1.903182139095754
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperbolic embeddings provide compact geometric representations of complex networks in hyperbolic spaces, but systematic comparisons of methods developed in machine learning, network science, and algorithmics remain rare. We benchmark 13 unsupervised hyperbolic graph embedders under a unified protocol for link prediction and topology reconstruction on synthetic and empirical networks. The protocol captures both missing-link recovery and the preservation of local and global network structure. Maximum-likelihood and representation-learning-based approaches, including hybrid variants, achieve the strongest overall performance, although no method dominates across all tasks and structural regimes. Performance is more strongly associated with embedding paradigm than with disciplinary origin. We identify the network regimes in which different paradigms succeed or fail and provide practical guidance for method selection in downstream applications.
• Abstract（参考訳）: 双曲埋め込みは、双曲空間における複素ネットワークのコンパクトな幾何学的表現を提供するが、機械学習、ネットワーク科学、アルゴリズム学で開発された手法の体系的比較は依然として稀である。 我々は,合成および経験的ネットワーク上でのリンク予測とトポロジ再構成のための統一プロトコルの下で,13個の教師なしハイパーボリックグラフ埋め込み器をベンチマークした。 このプロトコルは、欠落したリンクリカバリと、ローカルおよびグローバルネットワーク構造の保存の両方をキャプチャする。 ハイブリッドな変種を含む最大様相と表現型学習に基づくアプローチは、すべてのタスクや構造体系で支配的な手法は存在しないが、全体的なパフォーマンスが最も高い。 パフォーマンスは、学際的な起源よりも、埋め込みパラダイムに強く結びついている。 我々は、異なるパラダイムが成功するか失敗するかのネットワーク体制を特定し、下流アプリケーションにおけるメソッド選択の実践的なガイダンスを提供する。

関連論文リスト

• A Unified Framework of Hyperbolic Graph Representation Learning Methods [0.0]
  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。
  論文  参考訳（メタデータ） (2026-04-30T16:17:53Z)
• Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
  本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。 ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。 HERLは最先端のアプローチよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-18T10:50:46Z)
• PLATONT: Learning a Platonic Representation for Unified Network Tomography [7.800399349334518]
  本稿では、異なるネットワークインジケータを共有潜在ネットワーク状態の投影としてモデル化する統合フレームワークPLATONTを提案する。 合成および実世界のデータセットの実験により、PLATONTはリンク推定、トポロジ推論、交通予測において既存の手法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-19T09:10:32Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Reframing Neural Networks: Deep Structure in Overcomplete Representations [41.84502123663809]
  本稿では,構造化過剰フレームを用いた表現学習のための統一フレームワークであるdeep frame approximationを提案する。 表現一意性と安定性に関連付けられたデータ非依存的なコヒーレンス尺度であるdeep frame potentialとの構造的差異を定量化する。 この超完全表現の確立された理論への接続は、原理化されたディープネットワークアーキテクチャ設計の新たな方向性を示唆している。
  論文  参考訳（メタデータ） (2021-03-10T01:15:14Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-Based Human Action Recognition [97.14064057840089]
  本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。 骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
  論文  参考訳（メタデータ） (2020-11-11T09:57:49Z)
• Consistency of Spectral Clustering on Hierarchical Stochastic Block Models [5.983753938303726]
  実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。 本手法の強い一貫性を,幅広いモデルパラメータで証明する。 既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
  論文  参考訳（メタデータ） (2020-04-30T01:08:59Z)
• Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
  グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。 本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-27T08:32:16Z)
• Dynamic Hierarchical Mimicking Towards Consistent Optimization Objectives [73.15276998621582]
  一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。 DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。 カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
  論文  参考訳（メタデータ） (2020-03-24T09:56:13Z)
• Shift Aggregate Extract Networks [3.3263205689999453]
  大規模グラフの効率的な表現を学習するために,階層分解に基づくアーキテクチャを導入する。 我々のフレームワークは、カーネルメソッドで使用される古典的なR分解を拡張し、ネストした部分関係を可能にする。 我々は,我々のアプローチが,大規模ソーシャルネットワークデータセット上で現在最先端のグラフ分類手法より優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2017-03-16T09:52:48Z)

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。