論文の概要: Multi-Graph Tensor Networks

• arxiv url: http://arxiv.org/abs/2010.13209v4
• Date: Thu, 21 Jan 2021 10:04:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 04:59:01.668194
• Title: Multi-Graph Tensor Networks
• Title（参考訳）: マルチグラフテンソルネットワーク
• Authors: Yao Lei Xu, Kriton Konstantinidis, Danilo P. Mandic
• Abstract要約: 本稿では,不規則なデータソースとテンソルネットワークの圧縮特性を深層学習環境で扱えるグラフを利用した新しいMulti-Graph Network(MGTN)フレームワークを提案する。 MGTNにより、FORTX通貨グラフを利用して、この要求されたタスクに経済的に意味のある構造を課し、結果として、3つの競合するモデルに対して非常に優れたパフォーマンスと、劇的に低い複雑性をもたらす。
• 参考スコア（独自算出の注目度）: 23.030263841031633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The irregular and multi-modal nature of numerous modern data sources poses serious challenges for traditional deep learning algorithms. To this end, recent efforts have generalized existing algorithms to irregular domains through graphs, with the aim to gain additional insights from data through the underlying graph topology. At the same time, tensor-based methods have demonstrated promising results in bypassing the bottlenecks imposed by the Curse of Dimensionality. In this paper, we introduce a novel Multi-Graph Tensor Network (MGTN) framework, which exploits both the ability of graphs to handle irregular data sources and the compression properties of tensor networks in a deep learning setting. The potential of the proposed framework is demonstrated through an MGTN based deep Q agent for Foreign Exchange (FOREX) algorithmic trading. By virtue of the MGTN, a FOREX currency graph is leveraged to impose an economically meaningful structure on this demanding task, resulting in a highly superior performance against three competing models and at a drastically lower complexity.
• Abstract（参考訳）: 多数の現代のデータソースの不規則かつマルチモーダルな性質は、従来のディープラーニングアルゴリズムに深刻な課題をもたらす。 この目的のために、最近の取り組みは、グラフトポロジーを通してデータからさらなる洞察を得ることを目的として、グラフを通して既存のアルゴリズムを不規則なドメインに一般化した。 同時に、テンソルに基づく手法は、次元の呪いによって課されるボトルネックをバイパスする有望な結果を示している。 本稿では,不規則なデータソースを扱うグラフの能力と,ディープラーニング環境下でのテンソルネットワークの圧縮特性を両立させる,新しいMulti-Graph Tensor Network(MGTN)フレームワークを提案する。 MGTNをベースとしたFOREX(Deep Q Agent for Foreign Exchange)アルゴリズムにより,提案手法の可能性を示す。 mgtnの利点により、forexの通貨グラフを利用して、この要求するタスクに経済的に有意義な構造を課し、3つの競合するモデルに対して非常に優れたパフォーマンスをもたらし、複雑さを著しく低下させる。

関連論文リスト

• Malicious Internet Entity Detection Using Local Graph Inference [0.4893345190925178]
  大規模ネットワークにおける悪意ある行動の検出は、コンピュータセキュリティにおける機械学習にとって難しい問題である。 現在のサイバーセクト対応アプローチはまだ表現力に制限があるが、他の領域で成功した手法は大量のデータに対してうまくスケールしない。 本研究では,ネットワークエンティティ間の相互作用を異種グラフとしてモデル化するグラフデータから学習する新たな視点を提案する。
  論文  参考訳（メタデータ） (2024-08-06T16:35:25Z)
• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• GRANDE: a neural model over directed multigraphs with application to anti-money laundering [20.113306761523713]
  我々は,方向情報を効率的に組み込むことで,課題を克服する新しいGNNプロトコルを開発した。 本稿では,エッジ・ツー・ノードグラフの拡張に対する新しいメッセージパッシング方式を用いて,エッジ関連タスクをターゲットとする拡張を提案する。 GRANDEと呼ばれる具体的なGNNアーキテクチャは,提案プロトコルを用いて導出される。
  論文  参考訳（メタデータ） (2023-02-04T05:54:25Z)
• Efficient Relation-aware Neighborhood Aggregation in Graph Neural Networks via Tensor Decomposition [4.041834517339835]
  グラフ畳み込みネットワーク(R-GCN)の集約関数にテンソル分解を組み込んだ新しい知識グラフを提案する。 我々のモデルは、関係型によって定義される低ランクテンソルの射影行列を用いて、隣り合う実体の表現を強化する。 我々は,グラフ処理に固有の1-k-kエンコーダ法のトレーニング制限を緩和するために,コントラスト学習にインスパイアされたトレーニング戦略を採用する。
  論文  参考訳（メタデータ） (2022-12-11T19:07:34Z)
• MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
  暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。 暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。 グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-15T18:18:55Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Tensor Networks for Multi-Modal Non-Euclidean Data [24.50116388903113]
  本稿では,グラフ,テンソル,ニューラルネットワークの望ましい特性を物理的に有意義でコンパクトな方法で活用する,新しいマルチグラフネットワーク(mgtn)フレームワークを提案する。 これによりMGTNは不規則なデータソースのローカル情報をパラメータの複雑さを大幅に減らすことができる。 MGTNフレームワークの利点、特にテンソルネットワークの固有の低ランク正規化特性による過度な適合を回避する能力が示されている。
  論文  参考訳（メタデータ） (2021-03-27T21:33:46Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。