論文の概要: Context-Aware Interpretable Representations for Retrieval and Graph Convolutional Network Classification
- arxiv url: http://arxiv.org/abs/2608.29004v1
- Date: Sat, 29 Aug 2026 02:29:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.814151
- Title: Context-Aware Interpretable Representations for Retrieval and Graph Convolutional Network Classification
- Title（参考訳）: 検索およびグラフ畳み込みネットワーク分類のための文脈対応解釈表現
- Abstract要約: ランクベースの解釈可能なグラフ埋め込みとマニフォールド学習戦略を統合した,教師なしの新しいフレームワークを提案する。
提案手法は、まず、多様体解析によりデータセットの文脈情報を特徴付け、次にスパースで自己説明可能な埋め込みを生成することにより、これらのギャップを効果的に橋渡しする。
- 参考スコア（独自算出の注目度）: 3.5232028627328895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advances in visual information modeling and representation during the last decades are remarkable, mainly supported by Convolutional Neural Networks, Transformer-based, and Foundation Models. Despite this progress, critical challenges regarding the nature of similarity assessment and model transparency have been neglected. A primary concern is the Geometric Gap, where traditional pairwise measures fail to capture the intrinsic geometry of the dataset manifold. Furthermore, the Interpretability Gap persists, as representations often lack alignment with human cognition. Therefore, how to provide interpretability to representations while maintaining low dimensionality and high effectiveness in downstream tasks remains an open challenge. In this paper, we propose a novel unsupervised framework that integrates Manifold Learning strategies with Rank-based Interpretable Graph Embeddings. Our approach effectively bridges these gaps by first characterizing the contextual information of the dataset through manifold analysis and subsequently generating sparse, self-explainable embeddings. The proposed approach employs a flexible formulation, allowing different Manifold Learning and Representation Learning strategies. Extensive experimental evaluation across diverse datasets and features demonstrates that our Context-Aware representations not only provide intrinsic interpretability and dimensionality reduction but also maintain or enhance effectiveness in downstream tasks, specifically in image retrieval and semi-supervised classification using Graph Convolutional Networks (GCNs).
- Abstract（参考訳）: 過去数十年間の視覚情報モデリングと表現の進歩は目覚ましいもので、主に畳み込みニューラルネットワーク、トランスフォーマーベース、ファンデーションモデルが支持している。
この進歩にもかかわらず、類似性評価とモデルの透明性の性質に関する重要な課題は無視されている。
主な関心事は幾何ギャップ(Geometric Gap)であり、伝統的な対測度はデータセット多様体の内在幾何学を捉えるのに失敗する。
さらに、解釈可能性ギャップは、表現が人間の認知と一致しないことが多いため、持続する。
したがって、下流タスクにおいて低次元性と高い有効性を保ちながら、表現に解釈可能性を提供することは、未解決の課題である。
本稿では,ランクベースの解釈可能なグラフ埋め込みとマニフォールド学習戦略を統合する,新しい教師なしフレームワークを提案する。
提案手法は、まず、多様体解析によりデータセットの文脈情報を特徴付け、次にスパースで自己説明可能な埋め込みを生成することにより、これらのギャップを効果的に橋渡しする。
提案手法はフレキシブルな定式化を採用し,様々なマニフォールド学習・表現学習戦略を実現する。
多様なデータセットや特徴をまたいだ大規模な実験的評価により、我々のコンテキスト認識表現は本質的な解釈可能性と次元的縮小を提供するだけでなく、下流タスク、特にグラフ畳み込みネットワーク(GCN)を用いた画像検索や半教師付き分類において、その効果を維持または向上することを示した。
関連論文リスト
- Large Vision-Language Models Get Lost in Attention [51.851592109135716]
本稿では,情報理論と幾何に基づく統合フレームワークを提案し,残差更新の幾何的およびエントロピー的性質を定量化する。
注意は再設定に焦点を当てたサブスペース言語演算子として機能し、FFNはセマンティックイノベーションを駆動するサブスペース言語演算子として機能します。
論文 参考訳（メタデータ） (2026-05-07T04:45:52Z) - Provenance Networks: End-to-End Exemplar-Based Explainability [0.0]
私たちは、エンドツーエンドのトレーニングデータ駆動型説明可能性を提供するように設計された、新しいニューラルネットワークのクラスである、プロフェランスネットワークを紹介します。
確率ネットワークは、モデルの通常の操作の一部として、各予測を支援トレーニングの例に直接リンクすることを学ぶ。
これは、モデル不透明さ、幻覚、データコントリビュータへのクレジットの割り当てなど、現代のディープラーニングにおける重要な課題に対処する。
論文 参考訳（メタデータ） (2025-10-03T01:48:38Z) - Disentangled and Self-Explainable Node Representation Learning [1.4326830295697626]
自己説明可能な埋め込みを教師なしで生成するフレームワークであるDiSeNEを紹介する。
本手法では,次元的に解釈可能な埋め込みを生成するために,不整合表現学習を用いる。
新規なデシラタを,新たな目的関数を駆動するアンタングルと解釈可能な埋め込みのために定式化した。
論文 参考訳（メタデータ） (2024-10-28T13:58:52Z) - Unitary convolutions for learning on graphs and groups [0.9899763598214121]
我々は、訓練中により安定したより深いネットワークを可能にするユニタリグループ畳み込みについて研究する。
論文の主な焦点はグラフニューラルネットワークであり、ユニタリグラフの畳み込みがオーバー・スムーシングを確実に回避していることを示す。
実験結果から,ベンチマークデータセット上でのユニタリグラフ畳み込みネットワークの競合性能が確認できた。
論文 参考訳（メタデータ） (2024-10-07T21:09:14Z) - Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。
これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。
これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。
そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:20:13Z) - From Canonical Correlation Analysis to Self-supervised Graph Neural
Networks [99.44881722969046]
本稿では,グラフデータを用いた自己教師付き表現学習のための概念的単純かつ効果的なモデルを提案する。
古典的カノニカル相関解析にインスパイアされた,革新的な特徴レベルの目的を最適化する。
提案手法は、7つの公開グラフデータセット上で競合的に動作する。
論文 参考訳（メタデータ） (2021-06-23T15:55:47Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z) - Quantifying Challenges in the Application of Graph Representation
Learning [0.0]
私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。
実世界のグラフ特性に関する表現力を評価する。
GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
論文 参考訳（メタデータ） (2020-06-18T03:19:43Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳（メタデータ） (2020-02-04T08:33:49Z)
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。