Fugu-MT 論文翻訳(概要): Controllability of Hypergraphs

論文の概要: Controllability of Hypergraphs

arxiv url: http://arxiv.org/abs/2005.12244v3
Date: Sat, 20 Mar 2021 18:29:53 GMT
ステータス: 処理完了
システム内更新日: 2022-11-29 06:43:10.572462
Title: Controllability of Hypergraphs
Title（参考訳）: ハイパーグラフの制御性
Authors: Can Chen, Amit Surana, Anthony Bloch, Indika Rajapakse
Abstract要約: テンソル代数と制御理論によるハイパーグラフの可制御性の概念を開発する。我々は、均一なハイパーグラフの制御可能性を達成するために必要な最小の制御ノード数を決定するために、カルマンランクのような条件を導出する。
参考スコア（独自算出の注目度）: 6.033257307910245
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we develop a notion of controllability for hypergraphs via tensor algebra and polynomial control theory. Inspired by uniform hypergraphs, we propose a new tensor-based multilinear dynamical system representation, and derive a Kalman-rank-like condition to determine the minimum number of control nodes (MCN) needed to achieve controllability of even uniform hypergraphs. We present an efficient heuristic to obtain the MCN. MCN can be used as a measure of robustness, and we show that it is related to the hypergraph degree distribution in simulated examples. Finally, we use MCN to examine robustness in real biological networks.
Abstract（参考訳）: 本稿では,テンソル代数と多項式制御理論によるハイパーグラフの可制御性の概念を考案する。一様ハイパーグラフに触発されて,新しいテンソル系多線形力学系表現を提案し,一様ハイパーグラフの制御性を達成するのに必要な最小制御ノード数(mcn)を決定するカルマンランク様条件を導出する。我々はMCNを得るための効率的なヒューリスティックを提案する。 MCNはロバスト性の尺度として利用することができ、シミュレーション例におけるハイパーグラフの次数分布と関連していることを示す。最後に,実ネットワークにおけるロバスト性を調べるためにMCNを用いる。

関連論文リスト

HyperMagNet: A Magnetic Laplacian based Hypergraph Neural Network [0.16874375111244327]
本稿では,ハイパーグラフを非可逆マルコフ連鎖として表現する,ハイパーグラフニューラルネットワークの代替手法を提案する。我々はこのマルコフ連鎖を用いて、提案したハイパーグラフニューラルネットワークの入力として機能する複素エルミートラプラシアン行列(磁気ラプラシアン)を構築する。
論文参考訳（メタデータ） (2024-02-15T03:05:45Z)
Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
論文参考訳（メタデータ） (2023-12-18T17:50:52Z)
From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文参考訳（メタデータ） (2023-06-16T04:40:59Z)
Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。 THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。 3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文参考訳（メタデータ） (2023-06-05T03:26:06Z)
Learning the effective order of a hypergraph dynamical system [4.530678016396476]
本稿では,対応するダイナミクスを正確に近似するために必要なハイパーグラフの最小順序を決定する手法を提案する。具体的には,力学のタイプが分かっていれば,この順序を決定できる分析フレームワークを開発する。我々は、これらのアイデアをハイパーグラフニューラルネットワークと組み合わせて、合成データセットと実データの両方から、ハイパーグラフ自体と結果の順序を直接学習する。
論文参考訳（メタデータ） (2023-06-02T09:04:45Z)
Equivariant Hypergraph Neural Networks [15.096429849049953]
ハイパーグラフ学習の最近のアプローチは、メッセージパッシングに基づくグラフニューラルネットワークを拡張している。 EHNN(Equivariant Hypergraph Neural Network)は,一般ハイパーグラフ学習のための最大表現型同変層を実現するための最初の試みである。我々は、合成kエッジ識別、半教師付き分類、視覚的キーポイントマッチングなど、様々なハイパーグラフ学習問題において、それらの能力を実証し、強いメッセージパッシングベースラインよりも優れた性能を報告した。
論文参考訳（メタデータ） (2022-08-22T16:28:38Z)
Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
論文参考訳（メタデータ） (2022-07-14T06:17:00Z)
Preventing Over-Smoothing for Hypergraph Neural Networks [0.0]
階層数の増加に伴い,ハイパーグラフニューラルネットワークの性能は向上しないことを示す。我々はディープ・HGCNと呼ばれる新しいディープ・ハイパーグラフ・畳み込みネットワークを開発し、ディープ・レイヤにおけるノード表現を維持できる。
論文参考訳（メタデータ） (2022-03-31T16:33:31Z)
Quantum-inspired event reconstruction with Tensor Networks: Matrix Product States [0.0]
ニューラルネットワークは量子力学の概念を機械学習技術に結びつけるのに理想的な手段であることを示す。エンタングルメントのエントロピーは,ネットワークの学習内容の解釈に有効であることを示す。
論文参考訳（メタデータ） (2021-06-15T18:00:02Z)
Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-02-26T10:02:32Z)
Molecule Property Prediction and Classification with Graph Hypernetworks [113.38181979662288]
ネットワークをハイパーネットワークに置き換えることで性能が向上することを示す。ハイパーネットワークの適用において大きな困難は、安定性の欠如である。最近の研究は、エラー訂正コードのコンテキストにおいて、ハイパーネットワークのトレーニング不安定性に取り組んでいる。
論文参考訳（メタデータ） (2020-02-01T16:44:34Z)

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。