Fugu-MT 論文翻訳(概要): Simplicial Neural Networks

論文の概要: Simplicial Neural Networks

arxiv url: http://arxiv.org/abs/2010.03633v2
Date: Mon, 28 Dec 2020 18:24:35 GMT
ステータス: 処理完了
システム内更新日: 2022-10-09 22:55:11.458646
Title: Simplicial Neural Networks
Title（参考訳）: 単純なニューラルネットワーク
Authors: Stefania Ebli, Micha\"el Defferrard, Gard Spreemann
Abstract要約: SNN(Simplicial Neural Network)を提案する。 SNNは、Simplicial Complexと呼ばれる位相空間のクラスに存在するデータへのグラフニューラルネットワークの一般化である。我々は,コオーサシップコンプレックスの欠落したデータを出力する作業において,SNNを試験する。
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: We present simplicial neural networks (SNNs), a generalization of graph neural networks to data that live on a class of topological spaces called simplicial complexes. These are natural multi-dimensional extensions of graphs that encode not only pairwise relationships but also higher-order interactions between vertices - allowing us to consider richer data, including vector fields and $n$-fold collaboration networks. We define an appropriate notion of convolution that we leverage to construct the desired convolutional neural networks. We test the SNNs on the task of imputing missing data on coauthorship complexes.
Abstract（参考訳）: 本稿では,SNN(Simplicial Neural Network)を,Simplicial Complex(simplicial Complex)と呼ばれるトポロジカル空間のクラスに存在するデータに一般化した。これらは対関係だけでなく、頂点間の高次相互作用をエンコードするグラフの自然な多次元拡張であり、ベクトル場やn$-foldコラボレーションネットワークを含むよりリッチなデータを考えることができる。所望の畳み込みニューラルネットワークを構築するために利用する畳み込みの適切な概念を定義する。共著者複体に関するデータの欠落を暗示するタスクでsnsをテストする。

関連論文リスト

Binarized Simplicial Convolutional Neural Networks [6.069611493148632]
双極化単純畳み込みニューラルネットワーク(Bi-SCNN)という,単体錯体上の新しいニューラルネットワークアーキテクチャを提案する。従来のSimplicial Convolutional Neural Networksと比較して、Bi-SCNNのモデル複雑性の低減は、予測性能を犠牲にすることなく実行時間を短縮する。実世界の観測と海洋ドリフトデータによる実験により,提案したBi-SCNNは効率的かつ正確であることが確認された。
論文参考訳（メタデータ） (2024-05-07T08:05:20Z)
Privacy-Preserving Representation Learning for Text-Attributed Networks with Simplicial Complexes [24.82096971322501]
simplicial Complex (RT4SC) のためのテキスト属性を用いた学習ネットワーク表現について, simplicial Neural Network (SNN) を用いて検討する。 SNNの表現出力に対する2つの潜在的攻撃について検討する。本稿では,SNNからセキュアな表現出力を学習するための乗算器のプライバシー保護決定性差分的個人交互方向法について検討する。
論文参考訳（メタデータ） (2023-02-09T00:32:06Z)
Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文参考訳（メタデータ） (2022-09-23T05:24:18Z)
Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文参考訳（メタデータ） (2022-07-06T10:01:46Z)
Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文参考訳（メタデータ） (2022-05-11T17:43:54Z)
Simplicial Attention Networks [4.401427499962144]
SNN(Simplicial Neural Networks)は、simplicial Complex上でメッセージパッシングを実行することによって、自然な相互作用をモデル化する。 Simplicial Attention Networks (SAT) は,近隣のsimplicial間の相互作用を動的に重み付けする,新しいタイプのsimplicial Networks を提案する。 SATは、既存の畳み込みSNNとGNNを2つの画像および軌跡分類タスクで上回ることを示す。
論文参考訳（メタデータ） (2022-04-20T13:41:50Z)
BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文参考訳（メタデータ） (2021-12-13T17:35:54Z)
Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文参考訳（メタデータ） (2021-10-28T14:59:41Z)
Simplicial Convolutional Neural Networks [36.078200422283835]
近年,信号処理やニューラルネットワークが拡張されて,グラフのデータ処理や学習が行われている。本稿では,単純な畳み込みニューラルネットワーク(SCNN)アーキテクチャを提案する。
論文参考訳（メタデータ） (2021-10-06T08:52:55Z)
Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文参考訳（メタデータ） (2020-08-19T04:53:31Z)

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。