論文の概要: TopoEmbedX: A General Framework for Representation Learning on Topological Domains
- arxiv url: http://arxiv.org/abs/2609.37884v1
- Date: Tue, 29 Sep 2026 15:55:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.713274
- Title: TopoEmbedX: A General Framework for Representation Learning on Topological Domains
- Title（参考訳）: TopoEmbedX: トポロジカルドメイン上での表現学習のための一般的なフレームワーク
- Abstract要約: TopoEmbedXはユークリッド空間に幅広い位相領域を埋め込む統一的なフレームワークである。
TopoEmbedXは、トポロジカル表現学習のための明確で一貫性があり、使いやすいフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 15.705719915553102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Topological structures such as simplicial complexes, hypergraphs, and cell complexes extend standard graph models by modeling higher-order relationships. These structures appear in many modern datasets and require specialized methods for generating meaningful embeddings. In this paper, we introduce TopoEmbedX, a unified framework for embedding a wide range of topological domains into Euclidean spaces. The package brings together several existing topological embedding algorithms---DeepCell, Cell2Vec, CellDiff2Vec, HOLE, and HOGLEE---and introduces five new algorithms: ComplexNetMF, ComplexRep, ComplexRandNE, ComplexWalklets, and ComplexHeat. These algorithms extend well-known graph embedding techniques to higher-order settings using the augmented Hasse graph of a topological domain. TopoEmbedX provides a clear, consistent, and easy-to-use framework for topological representation learning. Experiments show that the embeddings generated by TopoEmbedX support tasks such as classification and regression across multidimensional data.
- Abstract（参考訳）: 単体錯体、ハイパーグラフ、セル複合体などの位相構造は、高次関係をモデル化することによって標準グラフモデルを拡張する。
これらの構造は多くの現代のデータセットに現れ、意味のある埋め込みを生成する特別な方法を必要とする。
本稿では,多種多様な位相領域をユークリッド空間に埋め込む統一フレームワークであるTopoEmbedXを紹介する。
このパッケージには、DeepCell、Cell2Vec、CellDiff2Vec、HOLE、HOGLEEという、既存のトポロジ的な埋め込みアルゴリズムが組み込まれている。
これらのアルゴリズムは、よく知られたグラフ埋め込み技術を、トポロジ領域の強化Hasseグラフを用いて高階設定に拡張する。
TopoEmbedXは、トポロジカル表現学習のための明確で一貫性があり、使いやすいフレームワークを提供する。
TopoEmbedXが生成した埋め込みは多次元データ間の分類や回帰といったタスクをサポートする。
関連論文リスト
- Cover Learning for Large-Scale Topology Representation [1.376408511310322]
本稿では,幾何学的データセットのトポロジ的に忠実な被覆を学習する手法について述べる。
そこで得られた単純複体は, 標準トポロジカル推論手法よりも, サイズ的に優れていることを示す。
論文 参考訳（メタデータ） (2025-03-12T19:10:20Z) - TopoX: A Suite of Python Packages for Machine Learning on Topological Domains [89.43928198132942]
TopoXはPythonのソフトウェアスイートで、トポロジ上のコンピューティングと機械学習のための信頼性とユーザフレンドリなビルディングブロックを提供する。
TopoXは、TopoNetX、TopoEmbedX、TopoModelXの3つのパッケージで構成されている。
論文 参考訳（メタデータ） (2024-02-04T10:41:40Z) - Data Topology-Dependent Upper Bounds of Neural Network Widths [52.58441144171022]
まず、3層ニューラルネットワークがコンパクトな集合上のインジケータ関数を近似するように設計可能であることを示す。
その後、これは単純複体へと拡張され、その位相構造に基づいて幅の上界が導かれる。
トポロジカルアプローチを用いて3層ReLUネットワークの普遍近似特性を証明した。
論文 参考訳（メタデータ） (2023-05-25T14:17:15Z) - Geometry Interaction Knowledge Graph Embeddings [153.69745042757066]
ユークリッド空間,双曲空間,超球空間間の空間構造を対話的に学習する幾何学的相互作用知識グラフ埋め込み(GIE)を提案する。
提案したGIEは、よりリッチなリレーショナル情報、モデルキー推論パターンをキャプチャし、エンティティ間の表現的セマンティックマッチングを可能にする。
論文 参考訳（メタデータ） (2022-06-24T08:33:43Z) - Topological Deep Learning: Going Beyond Graph Data [26.325857542512047]
我々は、広く採用されている位相領域を含むよりリッチなデータ構造の上に構築された統一的な深層学習フレームワークを提案する。
具体的には、新しいタイプのトポロジカルドメインであるコンプレックスを導入する。
我々は、主に注意に基づくCCNNに焦点を当てた、メッセージパッシング複合ニューラルネットワーク(CCNN)のクラスを開発する。
論文 参考訳（メタデータ） (2022-06-01T16:21:28Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳（メタデータ） (2021-10-28T14:59:41Z)
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。