論文の概要: Supervised learning on heterogeneous, attributed entities interacting over time

• arxiv url: http://arxiv.org/abs/2007.11455v1
• Date: Wed, 22 Jul 2020 14:19:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 22:11:38.970461
• Title: Supervised learning on heterogeneous, attributed entities interacting over time
• Title（参考訳）: 時間とともに相互作用する異種属性エンティティの教師付き学習
• Authors: Amine Laghaout
• Abstract要約: グラフ機械学習の現在の状態は依然として不十分であり、空間と時間の包括的な機能エンジニアリングパラダイムで拡張する必要がある。 この提案は、グラフ機械学習の現在の状態が不適切なままであり、空間と時間の包括的な機能エンジニアリングパラダイムで拡張する必要があることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most physical or social phenomena can be represented by ontologies where the constituent entities are interacting in various ways with each other and with their environment. Furthermore, those entities are likely heterogeneous and attributed with features that evolve dynamically in time as a response to their successive interactions. In order to apply machine learning on such entities, e.g., for classification purposes, one therefore needs to integrate the interactions into the feature engineering in a systematic way. This proposal shows how, to this end, the current state of graph machine learning remains inadequate and needs to be be augmented with a comprehensive feature engineering paradigm in space and time.
• Abstract（参考訳）: ほとんどの物理的または社会的現象は、構成体が様々な方法で相互作用し、環境と相互作用するオントロジーによって表される。 さらに、これらの実体はおそらく異質であり、連続する相互作用に対する応答として時間内に動的に進化する特徴に起因している。 このようなエンティティ、例えば分類目的に機械学習を適用するためには、そのインタラクションを体系的な方法で特徴工学に統合する必要がある。 この提案は、グラフ機械学習の現在の状態が不適切なままであり、空間と時間の包括的な機能エンジニアリングパラダイムで拡張する必要があることを示している。

関連論文リスト

• Topological constraints on self-organisation in locally interacting systems [0.0]
  相互作用するシステムのネットワークでは、自然順序付けを自己組織化の一形態と見なすことができる。 3つのモデル系における領域壁形成時の自由エネルギーのスケーリングについて検討する。 アプリケーションとして、生物学で広く使われているようなマルチスケールシステムが、なぜ複雑なパターンに組織化できるのかを分析することができます。
  論文  参考訳（メタデータ） (2025-01-22T19:36:09Z)
• Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
  本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。 本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
  論文  参考訳（メタデータ） (2024-10-15T07:35:51Z)
• Decomposing heterogeneous dynamical systems with graph neural networks [0.16492989697868887]
  グラフニューラルネットワークは、異種システムの相互作用規則と構造を協調的に学習するように設計できることを示す。 学習された潜在構造と力学は、複雑なシステムを事実上分解するために使うことができる。
  論文  参考訳（メタデータ） (2024-07-27T04:03:12Z)
• Multi-modal perception for soft robotic interactions using generative models [2.4100803794273]
  知覚は、物理的エージェントと外部環境との活発な相互作用に不可欠である。 触覚や視覚などの複数の感覚モダリティの統合により、このプロセスが強化される。 本稿では,多種多様なモダリティからのデータを調和させて全体的状態表現を構築する知覚モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-05T17:06:03Z)
• Binding Dynamics in Rotating Features [72.80071820194273]
  本稿では,特徴間のアライメントを明示的に計算し,それに応じて重みを調整する「コサイン結合」機構を提案する。 これにより、自己注意と生物学的神経プロセスに直接接続し、回転する特徴に現れるオブジェクト中心の表現の基本的なダイナミクスに光を当てることができます。
  論文  参考訳（メタデータ） (2024-02-08T12:31:08Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
  本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。 提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。 全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
  論文  参考訳（メタデータ） (2023-04-30T19:45:04Z)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• Interaction Transformer for Human Reaction Generation [61.22481606720487]
  本稿では,時間的,空間的両方の注意を持つトランスフォーマーネットワークからなる対話型トランスフォーマー(InterFormer)を提案する。 我々の手法は一般的であり、より複雑で長期的な相互作用を生成するのに利用できる。
  論文  参考訳（メタデータ） (2022-07-04T19:30:41Z)
• Learning Asynchronous and Sparse Human-Object Interaction in Videos [56.73059840294019]
  Asynchronous-Sparse Interaction Graph Networks(ASSIGN)は、ビデオシーン内のエンティティに関連するインタラクションイベントの構造を自動的に検出します。 ASSIGNは人間と物体の相互作用認識において試験され、人間のサブアクティビティのセグメンテーションおよびラベル付けにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-03T23:43:55Z)

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。