論文の概要: Artificial chemistry experiments with chemlambda, lambda calculus, interaction combinators

• arxiv url: http://arxiv.org/abs/2003.14332v1
• Date: Tue, 31 Mar 2020 16:15:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 01:52:03.012588
• Title: Artificial chemistry experiments with chemlambda, lambda calculus, interaction combinators
• Title（参考訳）: chemlambda,ラムダ計算,インタラクションコンビネータを用いた人工化学実験
• Authors: Marius Buliga
• Abstract要約: これらは、Chemlambdaを用いた人工化学実験のページの序文である。 実験はページにまとめられ、すべてプログラムのライブラリに基づいて行われる。 これらの実験には、他のコントリビュータの公開リポジトリへのリンクがあり、これらのプログラムのバージョンはpython、haskell、awk、JavaScriptで書かれている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Given a graph rewrite system, a graph G is a quine graph if it has a non-void maximal collection of non-conflicting matches of left patterns of graphs rewrites, such that after the parallel application of the rewrites we obtain a graph isomorphic with G. Such graphs exhibit a metabolism, they can multiply or they can die, when reduced by a random rewriting algorithm. These are introductory notes to the pages of artificial chemistry experiments with chemlambda, lambda calculus or interaction combinators, available from the entry page https://chemlambda.github.io/index.html . The experiments are bundled into pages, all of them based on a library of programs, on a database which contains hundreds of graphs and on a database of about 150 pages of text comments and a collection of more than 200 animations, most of them which can be re-done live, via the programs. There are links to public repositories of other contributors to these experiments, with versions of these programs in python, haskell, awk or javascript.
• Abstract（参考訳）: グラフ書き換えシステム(graph rewrite system)が与えられたとき、グラフgがクワイングラフ(quine graph)であるとは、グラフの左パターンの衝突しないマッチの非負の極大集合(non-void maximal collection of non-conflicting matches of graphs rewrites)を持つときであり、リライトの並列適用後、gと同型なグラフを得る。 これらはchemlambda、lambda calculus、interaction combinatorによる人工化学実験のページへの序文であり、エントリページhttps://chemlambda.github.io/index.htmlから入手できる。 実験は、プログラムのライブラリに基づいて、数百のグラフを含むデータベースと、約150ページのテキストコメントと200以上のアニメーションのデータベースにまとめられ、そのほとんどはプログラムを通じて、ライブで再生することができる。 これらの実験には、python、haskell、awk、javascriptのプログラムのバージョンとともに、他のコントリビューターの公開リポジトリへのリンクがある。

関連論文リスト

• Graph Chain-of-Thought: Augmenting Large Language Models by Reasoning on Graphs [60.71360240206726]
  大規模言語モデル(LLM)は、特に知識集約的なタスクにおいて幻覚に悩まされる。 既存の研究は、外部知識コーパスから取得した個々のテキスト単位でLLMを拡張することを提案する。 本稿では,グラフを反復的に推論することで,LLMをグラフで拡張するためのGraph Chain-of-thinkt (Graph-CoT) というフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T15:41:53Z)
• HeteroMILE: a Multi-Level Graph Representation Learning Framework for Heterogeneous Graphs [13.01983932286923]
  異種グラフ上のノードのマルチレベル埋め込みフレームワーク(HeteroMILE)を提案する。 HeteroMILEは、グラフを埋め込む前に、グラフのバックボーン構造を保ちながら、大きなグラフを小さなサイズに繰り返し調整する。 その後、ヘテロジニアスグラフ畳み込みニューラルネットワークを用いて、元のグラフへの粗い埋め込みを洗練する。
  論文  参考訳（メタデータ） (2024-03-31T22:22:10Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• A Gromov--Wasserstein Geometric View of Spectrum-Preserving Graph Coarsening [19.09507367362567]
  この研究はグラフの粗大化を別の観点から研究し、グラフ距離を保存する理論を発展させた。 幾何学的アプローチは、グラフ分類や回帰のようなグラフの集合を扱う際に有用である。 この差を最小化するには、一般的な重み付きカーネル$K$-means法を用いる。
  論文  参考訳（メタデータ） (2023-06-15T04:47:26Z)
• Graph Mixup with Soft Alignments [49.61520432554505]
  本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。 ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
  論文  参考訳（メタデータ） (2023-06-11T22:04:28Z)
• G-Mixup: Graph Data Augmentation for Graph Classification [55.63157775049443]
  Mixupは、2つのランダムサンプル間の特徴とラベルを補間することにより、ニューラルネットワークの一般化とロバスト性を改善する上で優位性を示している。 グラフ分類のためのグラフを増補するために$mathcalG$-Mixupを提案し、グラフの異なるクラスのジェネレータ(すなわちグラフ)を補間する。 実験により、$mathcalG$-MixupはGNNの一般化とロバスト性を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2022-02-15T04:09:44Z)
• Partial Gromov-Wasserstein Learning for Partial Graph Matching [28.47269200800775]
  部分的なGromov-Wasserstein学習フレームワークは2つのグラフを部分的にマッチングするために提案される。 私たちのフレームワークはF1スコアを少なくとも20%以上改善できます。
  論文  参考訳（メタデータ） (2020-12-02T14:56:22Z)
• Grale: Designing Networks for Graph Learning [68.23038997141381]
  我々は,数十億のノードを持つグラフのグラフ設計問題に対処するために,スケーラブルなGraleを提案する。 グレールは、(潜在的に弱い)類似性の異なる測度を融合して、そのノード間の高いタスク固有のホモフィリーを示すグラフを作成する。 Googleでは、数千億のノードを持つデータセットや、数十兆の潜在的なエッジを含む、20以上の異なる産業環境にGraleをデプロイしています。
  論文  参考訳（メタデータ） (2020-07-23T13:25:36Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Artificial life properties of directed interaction combinators vs. chemlambda [0.0]
  2つの人工化学薬品が人工的な生命行動(複製、代謝、死)を許容するかどうかに興味がある。 これらの実験の主な結論は、矛盾する書き直しを可能にするグラフの書き直しが、そうでないものよりも優れていることである。 これは、非競合グラフ書き換えシステムが歴史的に好まれる分散コンピューティングのための優れたグラフ書き換えシステムを探すことと矛盾する。
  論文  参考訳（メタデータ） (2020-05-12T21:28:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。