TopER: Topological Embeddings in Graph Representation Learning

要約

グラフ エンベディングはグラフ表現の学習において重要な役割を果たし、機械学習モデルがグラフ構造のデータを探索および解釈できるようにします。
ただし、既存の手法は不透明な高次元の埋め込みに依存することが多く、解釈可能性や実用的な視覚化が制限されています。
この研究では、トポロジカル データ解析に基づいた新しい低次元埋め込みアプローチである Topological Evolution Rate (TopER) を紹介します。
TopER は、グラフ部分構造の進化速度を計算することによって主要なトポロジー アプローチである Persistent Homology を簡素化し、グラフ データの直感的で解釈可能な視覚化を実現します。
このアプローチは、グラフ データセットの探索を強化するだけでなく、グラフ クラスタリングおよび分類タスクにおいて競争力のあるパフォーマンスを提供します。
当社の TopER ベースのモデルは、分類、クラスタリング、視覚化などのタスクにおいて、分子、生物学、およびソーシャル ネットワーク データセット全体で最先端の結果を達成または上回る結果をもたらします。

要約(オリジナル)

Graph embeddings play a critical role in graph representation learning, allowing machine learning models to explore and interpret graph-structured data. However, existing methods often rely on opaque, high-dimensional embeddings, limiting interpretability and practical visualization. In this work, we introduce Topological Evolution Rate (TopER), a novel, low-dimensional embedding approach grounded in topological data analysis. TopER simplifies a key topological approach, Persistent Homology, by calculating the evolution rate of graph substructures, resulting in intuitive and interpretable visualizations of graph data. This approach not only enhances the exploration of graph datasets but also delivers competitive performance in graph clustering and classification tasks. Our TopER-based models achieve or surpass state-of-the-art results across molecular, biological, and social network datasets in tasks such as classification, clustering, and visualization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google