論文の概要: Effective Graph and Rank-based Contextual Embeddings for Textual and Multimedia Data
- arxiv url: http://arxiv.org/abs/2608.29001v1
- Date: Sat, 29 Aug 2026 02:24:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.813228
- Title: Effective Graph and Rank-based Contextual Embeddings for Textual and Multimedia Data
- Title（参考訳）: テキスト・マルチメディアデータのためのグラフとランクに基づく文脈埋め込み
- Abstract要約: RaDEにインスパイアされたこの研究は、完全に教師なしのフレームワークであるGRaCEを導入し、解釈可能な埋め込みを生成する。
GRaCEは、さまざまなデータセットにわたるRaDEとOriginal Featuresを上回っている。
- 参考スコア（独自算出の注目度）: 23.491926401526896
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In a data-driven world, efficiently organizing and mapping relationships between objects is crucial. Graphs are powerful tools for modeling these connections, being widely used in social networks, telecommunications, and biology. However, graph-based methods often face high computational costs, particularly in memory and space usage. To address this, graph embedding techniques, also referred to as Network Representation Learning, encode graph information into lower-dimensional representations while preserving structural aspects. Traditional methods, however, lack interpretable dimensions. RaDE (Rank Diffusion Embedding) introduces a new approach using rank-based information, with a key step being the selection of a representative subset of nodes to provide interpretability for its dimensions and improve retrieval tasks. Despite its potential, RaDE's original proposal did not fully explore the effectiveness of representative subset selection across different classes or evaluate embeddings in tasks like classification and clustering. Inspired by RaDE, this work introduces GRaCE (Graph and Rank-based Contextual Embeddings), a fully unsupervised framework that generates interpretable embeddings by leveraging robust rank-based measures for representative subset selection and node embedding. GRaCE surpasses RaDE and Original Features across diverse datasets, including textual and image collections, excelling in retrieval, classification, and clustering tasks, considering state-of-the-art Transformer models as feature descriptors and Graph Convolutional Networks models in classification tasks.
- Abstract（参考訳）: データ駆動の世界では、オブジェクト間の関係を効率的に整理し、マッピングすることが重要です。
グラフはこれらの接続をモデル化するための強力なツールであり、ソーシャルネットワーク、通信、生物学で広く利用されている。
しかし、グラフベースの手法は、特にメモリや空間利用において、高い計算コストに直面することが多い。
これを解決するために、ネットワーク表現学習(Network Representation Learning)とも呼ばれるグラフ埋め込み技術は、構造的側面を保持しながら、グラフ情報を低次元表現にエンコードする。
しかし、伝統的な方法には解釈可能な次元がない。
RaDE(Rank Diffusion Embedding)はランクベースの情報を用いた新しいアプローチを導入し、ノードの代表的なサブセットを選択して、その次元の解釈可能性を提供し、検索タスクを改善する。
その可能性にもかかわらず、RaDEの当初の提案は、異なるクラスにまたがる代表サブセットの選択の有効性を十分に調べたり、分類やクラスタリングのようなタスクへの埋め込みを評価したりしなかった。
RaDEに触発されて、この研究はGRaCE (Graph and Rank-based Contextual Embeddings)を導入した。
GRaCEは、テキストとイメージの収集、検索、分類、クラスタリングタスクの卓越、最先端のTransformerモデルを特徴記述子として考慮し、分類タスクにおけるグラフ畳み込みネットワークモデルなど、さまざまなデータセットにわたるRaDEとオリジナル機能を上回っている。
関連論文リスト
- Feature-based Graph Attention Networks Improve Online Continual Learning [19.557518080476566]
グラフ注意ネットワーク(GAT)に基づく新しいオンライン連続学習フレームワークを提案する。
GATは文脈的関係を効果的に捉え、学習された注意重みを通してタスク固有の表現を動的に更新する。
また,メモリ予算を維持しつつ,以前のタスクの表現を改善するリハーサルメモリ複製手法を提案する。
論文 参考訳（メタデータ） (2025-02-13T10:18:44Z) - Task-Oriented Communication for Graph Data: A Graph Information Bottleneck Approach [12.451324619122405]
本稿では,コミュニケーションのオーバーヘッドを低減しつつ,鍵情報を保持するタスク中心のより小さなサブグラフを抽出する手法を提案する。
提案手法では,グラフニューラルネットワーク(GNN)とグラフ情報ボトルネック(GIB)の原理を用いて,伝達に適したコンパクトで情報的,堅牢なグラフ表現を生成する。
論文 参考訳（メタデータ） (2024-09-04T14:01:56Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - Multi-view Graph Convolutional Networks with Differentiable Node
Selection [29.575611350389444]
差別化可能なノード選択(MGCN-DNS)を備えた多視点グラフ畳み込みネットワーク(Multi-view Graph Convolutional Network)を提案する。
MGCN-DNSは、マルチチャネルグラフ構造データを入力として受け入れ、微分可能なニューラルネットワークを通じてより堅牢なグラフ融合を学ぶことを目的としている。
提案手法の有効性は,最先端手法と厳密な比較により検証した。
論文 参考訳（メタデータ） (2022-12-09T21:48:36Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - GraphFormers: GNN-nested Transformers for Representation Learning on
Textual Graph [53.70520466556453]
階層的にGNNコンポーネントを言語モデルのトランスフォーマーブロックと一緒にネストするGraphFormerを提案する。
提案したアーキテクチャでは、テキストエンコーディングとグラフ集約を反復的なワークフローに融合する。
さらに、プログレッシブ・ラーニング・ストラテジーを導入し、そのモデルが操作されたデータと元のデータに基づいて連続的に訓練され、グラフ上の情報を統合する能力を強化する。
論文 参考訳（メタデータ） (2021-05-06T12:20:41Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Representation Learning of Graphs Using Graph Convolutional Multilayer
Networks Based on Motifs [17.823543937167848]
mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。
グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
論文 参考訳（メタデータ） (2020-07-31T04:18:20Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。