Fugu-MT 論文翻訳(概要): k-simplex2vec: a simplicial extension of node2vec

論文の概要: k-simplex2vec: a simplicial extension of node2vec

arxiv url: http://arxiv.org/abs/2010.05636v2
Date: Tue, 12 Jan 2021 14:17:57 GMT
ステータス: 処理完了
システム内更新日: 2022-10-08 08:02:01.091776
Title: k-simplex2vec: a simplicial extension of node2vec
Title（参考訳）: k-simplex2vec: node2vecの単純拡張
Authors: Celia Hacker
Abstract要約: 本稿では, ユークリッド特徴を単純な複合体に関連付ける新しい手法を提案し, 統計的および機械学習ツールの入力として利用する方法を提案する。この方法では、ノード2vecアルゴリズムを高次元の単純化に拡張し、単純複素体の構造やグラフ内の高次相互作用に関する洞察を提供する。
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 a novel method of associating Euclidean features to simplicial complexes, providing a way to use them as input to statistical and machine learning tools. This method extends the node2vec algorithm to simplices of higher dimensions, providing insight into the structure of a simplicial complex, or into the higher-order interactions in a graph.
Abstract（参考訳）: 本稿では, ユークリッド特徴を単純な複合体に関連付ける新しい手法を提案し, 統計的および機械学習ツールの入力として利用する方法を提案する。この方法は、ノード2vecアルゴリズムを高次元の単純化に拡張し、単純複素体の構造やグラフ内の高次相互作用に関する洞察を与える。

関連論文リスト

Simplicial Representation Learning with Neural $k$-Forms [14.566552361705499]
本稿では,ノード座標を用いて,$mathbbRn$に埋め込まれた単体錯体から得られる幾何学的情報を活用することに焦点を当てる。我々は mathbbRn の微分 k-形式を用いて単純化の表現を作成し、メッセージパッシングなしに解釈可能性と幾何学的整合性を提供する。本手法は, グラフ, simplicial Complex, セルコンプレックスなど, 様々な入力コンプレックスに適用可能である。
論文参考訳（メタデータ） (2023-12-13T21:03:39Z)
CORE: Common Random Reconstruction for Distributed Optimization with Provable Low Communication Complexity [110.50364486645852]
コミュニケーションの複雑さは、トレーニングをスピードアップし、マシン番号をスケールアップする上で、大きなボトルネックになっています。本稿では,機械間で送信される情報を圧縮するための共通Om REOmを提案する。
論文参考訳（メタデータ） (2023-09-23T08:45:27Z)
Generalized Simplicial Attention Neural Networks [22.171364354867723]
我々はGSAN(Generalized Simplicial Attention Neural Networks)を紹介する。 GSANは、マスク付き自己意図層を用いて、単純な複合体に生きるデータを処理する。これらのスキームは、タスク指向の方法で、連続した順序の隣り合う単純さに関連するデータを組み合わせる方法を学ぶ。
論文参考訳（メタデータ） (2023-09-05T11:29:25Z)
Accelerated Discovery of Machine-Learned Symmetries: Deriving the Exceptional Lie Groups G2, F4 and E6 [55.41644538483948]
このレターでは、対称性変換の発見を著しく高速化する2つの改良されたアルゴリズムを紹介している。例外的リー群の複雑性を考えると,この機械学習手法は完全に汎用的であり,多種多様なラベル付きデータセットに適用可能であることを示す。
論文参考訳（メタデータ） (2023-07-10T20:25:44Z)
One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
論文参考訳（メタデータ） (2023-05-12T11:27:20Z)
Clustering with Simplicial Complexes [13.638460526753466]
本稿では,2次単純化に基づくネットワーク内のノードをグループ化するための新しいクラスタリングアルゴリズムを提案する。提案手法の有効性を実証するために,合成および実世界のネットワークデータに関する数値実験の結果を報告する。
論文参考訳（メタデータ） (2023-03-14T06:11:57Z)
Invariant Representations of Embedded Simplicial Complexes [0.0]
多くの分野において、三角メッシュやグラフのような埋め込み単純複体を解析することは重要な問題である。本稿では, 位相情報と幾何学情報のみを用いて, サブディビジョン不変およびアイソメトリー不変の方法で, 組込みsimplicial Complexを解析するための新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-02-27T07:49:05Z)
A Recursively Recurrent Neural Network (R2N2) Architecture for Learning Iterative Algorithms [64.3064050603721]
本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
論文参考訳（メタデータ） (2022-11-22T16:30:33Z)
On the Complexity of a Practical Primal-Dual Coordinate Method [63.899427212054995]
ランダム・座標降下法(PURE-CD)を用いた原始双対アルゴリズムの複雑性境界を証明した。バイマックス性能問題を解くための優れた外挿が得られることが示されている。
論文参考訳（メタデータ） (2022-01-19T16:14:27Z)
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)

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。