論文の概要: KG-Neighbor: Knowledge-Guided Neighborhood Construction for Embedding Visualization

• arxiv url: http://arxiv.org/abs/2611.07246v1
• Date: Wed, 04 Nov 2026 23:54:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.472443
• Title: KG-Neighbor: Knowledge-Guided Neighborhood Construction for Embedding Visualization
• Title（参考訳）: KG-Neighbor: ビジュアライゼーションのための知識誘導型近隣構築
• Abstract要約: 埋め込みビジュアライゼーションでは、近傍のインスタンスはセマンティック関連と解釈されるが、入力埋め込みから派生した近傍はコンテンツ関係を反映しない可能性がある。 本稿では,各インスタンスから得られた関係知識を知識グラフ(KG)トリプルの集合として表現する知識誘導近傍グラフ構築法(KGN)を提案する。 また、IDProfile(IDP)を導入し、ソースコンテンツが割り当てられたクラスラベルをサポートするかどうかを独立に評価することで、残留ミスマッチを解釈する。
• 参考スコア（独自算出の注目度）: 6.722304875995225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In embedding visualizations, nearby instances are interpreted as semantically related, although neighborhoods derived from input embeddings may not reflect content relationships. Neighborhood-based dimensionality reduction (DR) methods can propagate this limitation by optimizing layouts from embedding-based neighborhood graphs. We propose Knowledge-Guided Neighborhood Graph Construction (KGN), which represents relational knowledge derived from each instance as a set of knowledge graph (KG) triples. It uses the degree of triple sharing as pairwise semantic evidence to adjust embedding distances and reconstruct the top-k neighborhood graph; neither KG extraction nor neighborhood construction uses class labels. We also introduce IDProfile (IDP), which interprets residual mismatches by independently assessing whether the source content supports the assigned class label and the neighborhood-majority class. Across eight text and image dataset-encoder conditions, we characterize KGN over the full guidance-strength sweep and four KG similarity measures. Across this sweep, the maximum NMI and LT_2D each exceed the corresponding kNN baseline in all eight conditions, with the largest gains reaching 0.68 and 1.35, respectively. The gains and the extent of neighborhood reconfiguration vary across conditions and are larger under encoder conditions with lower kNN baseline scores. The IDP analysis shows that the largest reductions are concentrated in Placement Issue candidates, whereas Label Issue and Unresolved Case instances account for a larger share of the remaining review set. These results indicate that KGN can narrow the evaluated gap between embedding-based neighborhoods and content-supported semantic relations, while IDP shows that a residual mismatch should not automatically be interpreted as a projection failure.
• Abstract（参考訳）: 埋め込みビジュアライゼーションでは、近傍のインスタンスはセマンティック関連と解釈されるが、入力埋め込みから派生した近傍はコンテンツ関係を反映しない可能性がある。 近傍型次元減少法(DR)は, 埋め込み型近傍グラフからレイアウトを最適化することにより, この制限を緩和することができる。 本稿では,各インスタンスから得られた関係知識を知識グラフ(KG)トリプルの集合として表現する知識誘導近傍グラフ構築法(KGN)を提案する。 組込み距離を調整し、トップk近傍グラフを再構築するために、ペアワイズな意味的証拠として三重共有の度合いを用いるが、KG抽出も近隣構築もクラスラベルも使用しない。 また、IDProfile(IDP)を導入し、ソースコンテンツが割り当てられたクラスラベルと近隣マージョリティクラスをサポートするかどうかを独立に評価することで、残余のミスマッチを解釈する。 8つのテキストおよび画像データセットエンコーダ条件にまたがって、完全なガイダンス強度と4つのKG類似度尺度について、KGNを特徴付ける。 この全体にわたって、最大NMIとLT_2Dはそれぞれ8つの条件で対応するkNNベースラインを超え、最大のゲインはそれぞれ0.68と1.35に達する。 ゲインと近傍再構成の程度は条件によって異なり、より低いkNNベースラインスコアを持つエンコーダ条件下では大きい。 IDP分析によると、最大の削減はプレースメント問題候補に集中しているのに対し、ラベル問題と未解決事例のインスタンスは残りのレビューセットの大部分を占めている。 これらの結果から,KGNは埋め込み型近傍とコンテンツ支援型セマンティックリレーションのギャップを狭めることができるが,IDPは残留ミスマッチをプロジェクションの失敗として自動的に解釈するべきではないことを示唆している。

関連論文リスト

• Anomalies as Residuals: Cauchy Displacement Networks [9.104326059812006]
  Cauchy Displacement Network (CDN) CDNは、Cauchyアクティベーションの単一の隠れた層ネットワークを持つ最寄りのトレーニングエリアの平均に、各通常の点を回帰する。 28基に対して46のベンチマークデータセットで、CDNはAUC-ROCとAUC-PRの両方で最高の平均ランクを得る。
  論文  参考訳（メタデータ） (2026-10-30T07:53:18Z)
• Learning Where Outcomes Change:Credit-Addressable Reasoning for Multimodal Geometry [105.89493240787861]
  推論中に露出したセマンティックユニットは、学習が代替品と比較し、クレジットを割り当てる場所を定義する。 我々は,この原理を,ライン順応可能な実行可能コードとして視覚的関係を表すCode-CoTでインスタンス化し,推論を型付きイベントに整理する。 9つの幾何ベンチマークで、CE-GRPOは平均76.04の精度を達成し、Qwen3-VL-8Bと軌跡レベルGRPOをそれぞれ8.09$と3.43ポイント上回る。
  論文  参考訳（メタデータ） (2026-08-31T08:44:36Z)
• Fully Inductive Cardinality Estimation [0.4740962650068887]
  FICEは知識グラフ上でのBGPクエリのための最初の学習された濃度推定器である。 これは、全く見えないグラフ(目に見えない関係を含む)に再トレーニングせずに一般化する。 中央値のqエラーを13.54(ベスト競争相手)から5.34に減らし、尾の挙動における全てのアプローチを支配している。
  論文  参考訳（メタデータ） (2026-07-30T14:46:43Z)
• Beyond Triplet Plausibility: Relation Set Completion in Knowledge Graphs [48.16012222834734]
  関係集合完了タスク(RSC)と関係集合埋め込みモデル(RelSetE)を導入する。 RSCは、あるエンティティと意味的に互換性のある欠落した関係を推論することを目的としている。 RelSetEは、観測されたエンティティの関係の中で潜在パターンをモデル化し、失われたパターンを推測する。
  論文  参考訳（メタデータ） (2026-06-29T06:54:40Z)
• Non-Neighbors Also Matter to Kriging: A New Contrastive-Prototypical Learning [24.701170582359104]
  既存の研究は、隣人の情報が、観測されていない対象の属性を推定する基盤を提供すると仮定している。 本研究では,隣人からの貴重な情報を洗練し,非隣人からの情報を再利用するために,KrigingのためのContrastive-Prototypealの自己教師型学習を提案する。
  論文  参考訳（メタデータ） (2024-01-23T11:46:31Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• Link-Intensive Alignment for Incomplete Knowledge Graphs [28.213397255810936]
  本研究では,不完全KGと表現学習の整合性の問題に対処する。 我々のフレームワークは、推移性に基づく2つの特徴チャネルと近接性に基づく2つの特徴チャネルを利用する。 2つの特徴チャネルは、入力KG間で重要な特徴を交換するために共同で学習される。 また,学習過程中に欠落したリンクを検出し,回復するリンク検出装置も開発した。
  論文  参考訳（メタデータ） (2021-12-17T00:41:28Z)
• Neighborhood Matching Network for Entity Alignment [71.24217694278616]
  Neighborhood Matching Network (NMN)は、新しいエンティティアライメントフレームワークである。 NMNは、トポロジカル構造と近傍差の両方を捉えるために、エンティティ間の類似性を推定する。 まず、新しいグラフサンプリング法を用いて、各エンティティの識別的近傍を蒸留する。 その後、クロスグラフの近傍マッチングモジュールを採用し、与えられたエンティティペアの近傍差を共同で符号化する。
  論文  参考訳（メタデータ） (2020-05-12T08:26:15Z)

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。