邻域增长决定关系表示学习的几何先验
机器学习
2019-10-15 v1 离散数学
机器学习
摘要
在异构高维数据中识别几何结构的问题是表示学习的基石。尽管关于典型图（如格点或树）的可嵌入性已有大量文献，但实际中常见的关系数据的异构性限制了这些经典方法的适用性。本文提出一种评估可嵌入性的组合方法，即判断一个数据集最适合在欧氏空间、双曲空间还是球面空间中表示。我们的方法分析最近邻结构与局部邻域增长率，以识别合适嵌入空间的几何先验。对于典型图，该算法的预测可证明地与经典结果一致。对于大型异构图，我们引入一种可有效计算且近似该算法决策规则的统计量。我们在一系列基准数据集上验证该方法，并与近期发表的基于优化的可嵌入性方法进行比较。
引用
@article{arxiv.1910.05565,
title = {Neighborhood Growth Determines Geometric Priors for Relational Representation Learning},
author = {Melanie Weber},
journal= {arXiv preprint arXiv:1910.05565},
year = {2019}
}