論文の概要: Model-Based Learning of Latent Euclidean Embedding from Relational Data

• arxiv url: http://arxiv.org/abs/2611.00765v1
• Date: Sat, 31 Oct 2026 09:22:19 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:29:30.393013
• Title: Model-Based Learning of Latent Euclidean Embedding from Relational Data
• Title（参考訳）: リレーショナルデータを用いた潜在ユークリッドのモデルベース学習
• Abstract要約: 低次元ユークリッドを用いた非線形データへの依存を可視化し,解釈する方法を示す。 提案手法を実世界の2つのデータセット(引用と投票記録)に適用する。
• 参考スコア（独自算出の注目度）: 5.649368693334572
• License:
• Abstract: Visualizing and interpreting the dependence structure in relational data often benefits from geometric representations via low-dimensional Euclidean embeddings. However, existing approaches are typically restricted to specific response types, rely on burdensome high-dimensional nonconvex optimization, or lack uniform theoretical guarantees for simultaneous coordinate recovery. To address these limitations, we introduce a unified, distance-based latent space framework for both unipartite and bipartite relational data---accommodating continuous, binary, ordinal, and count-valued observations---via a modular two-stage procedure that decouples signal estimation from geometric recovery. First, we estimate the low-rank signal matrix using spectral denoising. For models with nonlinear link functions, we further apply one-step row- and column-wise refinement to achieve uniform entrywise accuracy. Second, we recover the latent configurations through direct spectral analysis for unipartite data and a low-dimensional alignment optimization for bipartite data. We establish uniform recovery guarantees that characterize the propagation of error from signal estimation to the embedding space. To illustrate the scalability and interpretability of our approach, we apply the proposed method to two real-world datasets: a statistician citation network and European Parliament voting records.
• Abstract（参考訳）: 関係データの依存構造の可視化と解釈は、しばしば低次元ユークリッド埋め込みによる幾何学的表現の恩恵を受ける。 しかし、既存のアプローチは、通常、特定の応答タイプに制限され、重大な高次元の非凸最適化に依存し、あるいは、同時座標回復のための一様理論的保証が欠如している。 これらの制約に対処するために、我々は、一部関係データと二部関係データ(連続、二項関係、順序関係、カウント値関係)を統一した、距離ベースの潜在空間フレームワークを導入し、幾何的回復から信号推定を分離するモジュラー2段階の手順を提示する。 まず、スペクトルデノイングを用いた低ランク信号行列を推定する。 非線形リンク関数を持つモデルに対しては、一段階の行および列のワイドメントを適用し、一様進入精度を実現する。 第2に、単部データの直接スペクトル分析と二部データの低次元アライメント最適化により、潜時構成を復元する。 信号推定から埋め込み空間への誤差の伝搬を特徴付ける一様回復保証を確立する。 本手法のスケーラビリティと解釈可能性を説明するために,提案手法を2つの実世界のデータセット,すなわち統計学的引用ネットワークと欧州議会の投票記録に適用する。

関連論文リスト

• K-space Gaussian Representation for Parallel MRI [17.6035099220156]
  K-空間ガウス表現(KGR)は、ネイティブなk-空間領域で直接形式化された最初の明示的連続表現である。 KGRは、Gabor-Gaussianプリミティブを共有空間幾何学でパラメータ化し、コイル間の相関を自然に保存するコンパクトな表現を生成する。 これらの結果は、ネイティブk空間の明示的な連続パラメータ化が、構造的低ランク再構成と連続信号モデリングを統合するための原則的枠組みを提供することを示唆している。
  論文  参考訳（メタデータ） (2026-07-29T13:12:59Z)
• Semi-Supervised Conditional Generative Learning through Stochastic Interpolation and Sufficient Representations [12.299177496689621]
  条件固有項と低次元潜在表現を組み合わせた半教師付きフレームワークを提案する。 RepGは生成をラベル依存の潜伏サンプリングと高次元再構成の2段階に分解する。
  論文  参考訳（メタデータ） (2026-07-18T09:21:53Z)
• SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
  我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。 SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-15T07:26:54Z)
• Enforcing Latent Euclidean Geometry in Single-Cell VAEs for Manifold Interpolation [79.27003481818413]
  離散的様相変分オートエンコーダの潜在多様体をユークリッド幾何学へ正規化する訓練フレームワークであるFlatVIを紹介する。 遅延空間の直線を復号化された単セル多様体上の測地線に近似させることで、FlatVIは下流アプローチとの整合性を高める。
  論文  参考訳（メタデータ） (2025-07-15T23:08:14Z)
• Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
  我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。 本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。 本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-07-07T17:56:31Z)
• Identifiable Convex-Concave Regression via Sub-gradient Regularised Least Squares [1.9580473532948397]
  複雑な入力関係を凸成分と凹成分の和としてモデル化する新しい非パラメトリック回帰法を提案する。 The method-ICCNLS-decomposes sub-constrained shape-constrained additive decomposition。
  論文  参考訳（メタデータ） (2025-06-22T15:53:12Z)
• Kernel spectral joint embeddings for high-dimensional noisy datasets using duo-landmark integral operators [9.782959684053631]
  本研究では、2つの独立に観測された高次元ノイズデータセットの結合埋め込みを実現する新しいカーネルスペクトル法を提案する。 得られた低次元埋め込みは、同時クラスタリング、データの可視化、デノイングなど、多くの下流タスクに利用できる。
  論文  参考訳（メタデータ） (2024-05-20T18:29:36Z)
• Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
  部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。 線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
  論文  参考訳（メタデータ） (2022-04-20T21:15:38Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)

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。