每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

解开并可自我解释的节点表示学习

Created by
  • Haebom

作者

西蒙娜·皮亚杰西、安德烈·潘尼森、梅加·科斯拉

大纲

本文介绍了可分离且可自解释的节点嵌入 (DiSeNE) 框架，该框架使用无监督学习生成节点嵌入。DiSeNE 使用可分离表示学习来生成维度可解释的嵌入，其中每个维度对应于图的不同拓扑结构。本文提出了一种用于可分离且可解释嵌入的新型目标函数，以及用于评估表示质量和人类可解释性的新指标。在多个基准数据集上的实验证明了该方法的有效性。

Takeaways，Limitations

•
Takeaways：
◦
我们提出了一个新框架来提高无监督学习环境中节点嵌入的可解释性。
◦
通过可分离的表示学习确保特定维度的可解释性。
◦
开发一种同时优化可解释性和可分离性的新目标函数。
◦
提出一种新的指标来评估嵌入质量和可解释性。
◦
在各种基准数据集上表现出色。
•
Limitations：
◦
缺乏有关具体实现细节和算法复杂性的信息。
◦
需要有关实际应用和性能比较的更多信息。
◦
缺乏与其他可分离表示学习技术的比较分析。
👍
Made with Slashpage