arXiv cs.AI· Chang Won Kim, Jaewook Lee, Haeun Min, JunNyeong Jeong, Minwoo Sim, Barom Kang, Kyohoon Jin·· 11 小时前AI 评分20
KG-Neighbor：知识引导的邻域构建用于嵌入可视化
KG-Neighbor: Knowledge-Guided Neighborhood Construction for Embedding Visualization
AI 导读
研究者提出知识引导邻域图构建方法 KGN，将每个实例的关系知识表示为知识图谱三元组，用三元组共享度作为语义证据调整嵌入距离并重建 top-k 邻域图，且不使用类别标签。
正文 · AI 翻译
摘要：在嵌入可视化中，邻近的实例被解释为语义相关，尽管由输入嵌入得到的邻域可能并不反映内容关系。基于邻域的降维（DR）方法通过从基于嵌入的邻域图优化布局，可能会传播这一局限。我们提出知识引导邻域图构建（KGN），它将源自每个实例的关系知识表示为一组知识图谱（KG）三元组。它使用三元组共享程度作为成对语义证据来调整嵌入距离并重建 top-k 邻域图；KG 提取和邻域构建均不使用类标签。我们还引入 IDProfile（IDP），它通过独立评估源内容是否支持所分配的类标签和邻域多数类，来解释残余不匹配。在八种文本和图像数据集-编码器条件下，我们刻画了 KGN 在完整引导强度扫描和四种 KG 相似度度量下的表现。在该扫描中，最大 NMI 和 LT_2D 在全部八种条件下均超过相应的 kNN 基线，最大增益分别达到 0.68 和 1.35。增益和邻域重构的程度因条件而异，在 kNN 基线分数较低的编码器条件下更大。IDP 分析表明，最大的降低集中在 Placement Issue 候选中，而 Label Issue 和 Unresolved Case 实例在剩余审查集中占更大比例。这些结果表明，KGN 可以缩小基于嵌入的邻域与内容支持的语义关系之间所评估的差距，而 IDP 表明残余不匹配不应自动被解释为投影失败。
| 评论： | 被 WSDN 2027 findings 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.07246 [cs.LG] |
| （或此版本的 arXiv:2611.07246v1 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2611.07246 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kyohoon Jin [查看电子邮件]
[v1]
2026年11月4日星期三 23:54:02 UTC（2,033 KB）
来源：arXiv cs.AI · arxiv.org