論文の概要: SpatialSim: Recognizing Spatial Configurations of Objects with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2004.04546v2
• Date: Thu, 16 Jul 2020 18:16:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 02:02:40.709558
• Title: SpatialSim: Recognizing Spatial Configurations of Objects with Graph Neural Networks
• Title（参考訳）: SpaceSim: グラフニューラルネットワークを用いた物体の空間的構成認識
• Authors: Laetitia Teodorescu, Katja Hofmann, and Pierre-Yves Oudeyer
• Abstract要約: 本稿では,外部オブザーバの視点に不変な幾何学的空間構成のクラスを学習し,比較する方法を示す。 本稿では,新しい幾何学的推論ベンチマークであるSpatialSim(Spatial similarity)を提案する。 次に,完全接続型メッセージパスグラフニューラルネットワーク(MPGNN)が示す帰納的リレーショナルバイアスが,これらの課題の解決にどのように役立つかを検討する。
• 参考スコア（独自算出の注目度）: 31.695447265278126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recognizing precise geometrical configurations of groups of objects is a key capability of human spatial cognition, yet little studied in the deep learning literature so far. In particular, a fundamental problem is how a machine can learn and compare classes of geometric spatial configurations that are invariant to the point of view of an external observer. In this paper we make two key contributions. First, we propose SpatialSim (Spatial Similarity), a novel geometrical reasoning benchmark, and argue that progress on this benchmark would pave the way towards a general solution to address this challenge in the real world. This benchmark is composed of two tasks: Identification and Comparison, each one instantiated in increasing levels of difficulty. Secondly, we study how relational inductive biases exhibited by fully-connected message-passing Graph Neural Networks (MPGNNs) are useful to solve those tasks, and show their advantages over less relational baselines such as Deep Sets and unstructured models such as Multi-Layer Perceptrons. Finally, we highlight the current limits of GNNs in these tasks.
• Abstract（参考訳）: オブジェクトのグループの正確な幾何学的配置を認識することは、人間の空間認識の重要な能力であるが、ディープラーニングの文献ではほとんど研究されていない。 特に、基本的な問題は、マシンがどのようにして外部観察者の視点に不変な幾何学的空間構成のクラスを学習し比較できるかである。 本稿では2つの重要な貢献をする。 まず、新しい幾何学的推論ベンチマークであるSpatialSim(Spatial similarity)を提案し、このベンチマークの進歩は、現実の世界でこの問題に対処するための一般的な解決策への道を開くであろうと論じる。 このベンチマークは、識別と比較という2つのタスクで構成されています。 第2に,完全接続型メッセージパスグラフニューラルネットワーク(MPGNN)が示すリレーショナル帰納バイアスが,これらの課題の解決にどのように有用かを検討するとともに,Deep SetsやMulti-Layer Perceptronsなどの非構造モデルよりも少ないリレーショナルベースラインに対する優位性を示す。 最後に、これらのタスクにおけるGNNの現在の限界を強調します。

関連論文リスト

• DepWiGNN: A Depth-wise Graph Neural Network for Multi-hop Spatial Reasoning in Text [52.699307699505646]
  マルチホップ空間推論のためのDepWiGNN(Depth-Wise Graph Neural Network)を提案する。 具体的には,新しいノードメモリ方式を設計し,グラフの幅次元ではなく深さ次元の情報を集約する。 2つの挑戦的なマルチホップ空間推論データセットの実験結果から,DepWiGNNが既存の空間推論手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-19T08:07:22Z)
• Memorization with neural nets: going beyond the worst case [5.662924503089369]
  実際には、ディープニューラルネットワークはトレーニングデータを簡単に補間できることが多い。 しかし、実世界のデータについては、暗記能力によって提案されるよりもネットワークサイズが小さいような良質な構造の存在を直感的に期待する。 2つのクラスを持つ固定有限データセットを与えられた場合、高い確率で3層ニューラルネットワークを時間内に補間する単純なランダム化アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2023-09-30T10:06:05Z)
• A singular Riemannian geometry approach to Deep Neural Networks II. Reconstruction of 1-D equivalence classes [78.120734120667]
  入力空間における出力多様体内の点の事前像を構築する。 我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-17T11:47:45Z)
• Graph Neural Networks with Learnable Structural and Positional Representations [83.24058411666483]
  任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。 ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。 両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
  論文  参考訳（メタデータ） (2021-10-15T05:59:15Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
  過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。 このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。 CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-04-27T21:09:51Z)
• Learning Spatial Context with Graph Neural Network for Multi-Person Pose Grouping [71.59494156155309]
  イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。 本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。 学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
  論文  参考訳（メタデータ） (2021-04-06T09:21:14Z)
• Neural Architecture Search in Graph Neural Networks [1.2881413375147996]
  本稿では,グラフニューラルネットワーク(GNN)の最適化のための2つのNAS手法を比較する。 その結果、2つの探索空間上の7つのデータセットについて検討し、どちらの手法もランダムな探索に類似した精度が得られることを示した。
  論文  参考訳（メタデータ） (2020-07-31T21:04:24Z)
• The impossibility of low rank representations for triangle-rich complex networks [9.550745725703292]
  このようなグラフ埋め込みは複素ネットワークの健全な性質を捉えないと主張する。 数学的には、これらの2つの性質をうまく生成できる埋め込みは、頂点数においてほぼ線型でなければならない。 このことは、Singular Value Decompositionやnode2vecのような一般的な埋め込み技術が現実世界の複雑なネットワークの構造的側面を捉えていないことを証明している。
  論文  参考訳（メタデータ） (2020-03-27T20:57:56Z)

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。