論文の概要: Helgason-Fourier Random Features for Scalable Hyperbolic Latent Variables
- arxiv url: http://arxiv.org/abs/2611.16461v1
- Date: Thu, 12 Nov 2026 08:13:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.397676
- Title: Helgason-Fourier Random Features for Scalable Hyperbolic Latent Variables
- Title(参考訳): Helgason-Fourier Random Features for Scalable Hyperbolic Latent Variables
- Abstract要約: 双曲空間上のカーネルに対する明示的な有限次元特徴写像であるRandom Helgason-Fourier Features (RHFF)を紹介する。
我々はRHFF-LVMと呼ばれる双曲型潜在変数モデルを開発し、これは従来の双曲型GP-LVMとは異なり、数値的な2次、変動境界、補助変数を必要としない。
我々のRHFF-LVMは、すべてのベースラインよりも忠実に合成木のメートル法を回復し、木構造アトラスにおいて$Q!=!2$で大きな利得によって最高の平均ランクを得る。
- 参考スコア(独自算出の注目度): 39.333330021823684
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Hyperbolic geometry is well suited to embedding hierarchical data, capturing tree-like structure faithfully even in the low dimensions where Euclidean dimensionality reduction is severely constrained. We introduce Random Helgason--Fourier Features (RHFF), an explicit finite-dimensional feature map for kernels on hyperbolic space. We characterize the spectral density from which RHFF frequencies are drawn, allowing kernels such as the Matérn family to be specified directly in the frequency domain. We also prove a uniform approximation error bound for RHFF. Building on this representation, we develop a hyperbolic latent variable model called RHFF-LVM, which requires no numerical quadrature, variational bounds or auxiliary variables unlike previous hyperbolic GP-LVMs. Our RHFF-LVM recovers the metric of a synthetic tree more faithfully than all baselines and attains the best mean rank, driven by large gains on tree-structured atlases at $Q\!=\!2$. Furthermore, it fits $5\times10^{5}$ points in $505$ seconds, making it the first non-parametric hyperbolic LVM to reach this scale.
- Abstract(参考訳): 双曲幾何学は、ユークリッド次元の減少が厳しく制約されている低次元においても、木のような構造を忠実に捉え、階層的なデータを埋め込むのに適している。
双曲空間上のカーネルに対する明示的な有限次元特徴写像であるRandom Helgason-Fourier Features (RHFF)を紹介する。
我々は、RHFF周波数が引き出されるスペクトル密度を特徴付け、周波数領域内で直接マテルン族などのカーネルを特定できるようにする。
また、RHFFに対する一様近似誤差も証明する。
この表現に基づいてRHFF-LVMと呼ばれる双曲型潜在変数モデルを構築し、従来の双曲型GP-LVMとは異なり、数値的な二次、変動境界、補助変数を必要としない。
我々のRHFF-LVMは、すべてのベースラインよりも忠実に合成木のメートル法を回復し、木構造アトラスでQ!
=\!
2ドル。
さらに、5\times10^{5}$ポイントを505$秒に適合させ、このスケールに到達した初めての非パラメトリックな双曲型LVMとなる。
関連論文リスト
- KHRONOS: a Kernel-Based Neural Architecture for Rapid, Resource-Efficient Scientific Computation [0.9355993154058798]
我々はモデルベース、モデルフリー、モデル反転タスクのためのAIフレームワークであるKHRONOSを紹介する。
KHRONOSは、次元ごとのカーネル展開の階層的な構成で連続的に微分可能な対象場を構築する。
逆問題に対して、KHRONOSは、サンプルレイテンシあたりのサブマイクロ秒で、数回のフォワード評価で、高速で反復的なレベルセットのリカバリを容易にする。
論文 参考訳(メタデータ) (2025-05-19T16:29:07Z) - Hyperbolic Fine-tuning for Large Language Models [56.54715487997674]
本研究では,大規模言語モデル(LLM)の非ユークリッド的特徴について検討する。
トークン埋め込みは高い双曲性を示し,埋め込み空間に木のような構造が潜んでいることを示す。
双曲的低ランク効率微調整法HypLoRAを導入し, 双曲的多様体上で直接低ランク適応を行う。
論文 参考訳(メタデータ) (2024-10-05T02:58:25Z) - Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。
本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文 参考訳(メタデータ) (2024-04-29T15:04:07Z) - Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。
我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文 参考訳(メタデータ) (2023-10-30T21:27:53Z) - The Numerical Stability of Hyperbolic Representation Learning [15.098748901621843]
双曲空間に対する2つの一般的なモデル、すなわちポアンカーの球とローレンツ模型の極限を解析する。
我々は、このユークリッドパラメトリゼーションを双曲型超平面に拡張し、双曲型SVMの性能を向上させる能力を示す。
論文 参考訳(メタデータ) (2022-10-31T22:51:59Z) - HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric
Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。
具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。
提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文 参考訳(メタデータ) (2022-04-18T06:11:44Z)
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。