基于偏移内积相似度的图嵌入及其改进的逼近能力
机器学习
2019-02-25 v2 机器学习
摘要
我们提出偏移内积相似度（SIPS），这是针对基于神经网络的图嵌入（GE）的普通内积相似度（IPS）的一种新颖却非常简单的扩展。与仅限于逼近正定（PD）相似度的 IPS 不同，SIPS 通过在 IPS 中引入偏置项超越了该限制；我们从理论上证明 SIPS 能够逼近 PD 以及条件正定（CPD）相似度，并给出许多例子，如余弦相似度、负 Poincare 距离和负 Wasserstein 距离。由于具有足够大神经网络的 SIPS 可学习多种相似度，SIPS 缓解了配置 GE 相似度函数的需要。我们还评估了逼近误差率，并在两个真实世界数据集上的实验表明，使用 SIPS 的图嵌入确实优于现有方法。
引用
@article{arxiv.1810.03463,
title = {Graph Embedding with Shifted Inner Product Similarity and Its Improved Approximation Capability},
author = {Akifumi Okuno and Geewook Kim and Hidetoshi Shimodaira},
journal= {arXiv preprint arXiv:1810.03463},
year = {2019}
}
备注
20 pages (with Supplementary Material), 2 figures, AISTATS2019. arXiv admin note: text overlap with arXiv:1805.12332