論文の概要: Identifying Transition States of Chemical Kinetic Systems using Network Embedding Techniques

• arxiv url: http://arxiv.org/abs/2010.15760v1
• Date: Thu, 29 Oct 2020 17:07:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 00:03:41.498315
• Title: Identifying Transition States of Chemical Kinetic Systems using Network Embedding Techniques
• Title（参考訳）: ネットワーク埋め込み法による化学動力学系の遷移状態の同定
• Authors: Paula Mercurio, Di Liu
• Abstract要約: 本研究では, 有向グラフに対する低次元ノード埋め込み生成法を開発し, 化学反応系の遷移状態の同定を行う。 我々は,従来のランダムウォークに基づくネットワーク埋め込み法で採用されている目的関数を改良し,有向グラフや近隣の異なる次数を扱うようにした。
• 参考スコア（独自算出の注目度）: 3.193611493360056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using random walk sampling methods for feature learning on networks, we develop a method for generating low-dimensional node embeddings for directed graphs and identifying transition states of stochastic chemical reacting systems. We modified objective functions adopted in existing random walk based network embedding methods to handle directed graphs and neighbors of different degrees. Through optimization via gradient ascent, we embed the weighted graph vertices into a low-dimensional vector space Rd while preserving the neighborhood of each node. We then demonstrate the effectiveness of the method on dimension reduction through several examples regarding identification of transition states of chemical reactions, especially for entropic systems.
• Abstract（参考訳）: ネットワーク上の特徴学習のためのランダムウォークサンプリング法を用いて,有向グラフの低次元ノード埋め込みを生成し,確率的化学反応系の遷移状態の同定を行う手法を開発した。 我々は,既存のランダムウォークに基づくネットワーク埋め込み手法で採用されている目的関数を修正して,有向グラフと隣接度が異なるグラフを扱うようにした。 勾配上昇による最適化により、重み付きグラフ頂点を各ノードの近傍を保持しながら低次元ベクトル空間 Rd に埋め込む。 次に, 化学反応, 特にエントロピー系における遷移状態の同定に関するいくつかの例を通して, 本手法の有効性を示す。

関連論文リスト

• Integrating Graph Neural Networks with Scattering Transform for Anomaly Detection [0.0]
  グラフニューラルネットワーク(GNN)を用いたネットワーク侵入検知システム(NIDS)における2つの新しい手法を提案する。 最初のアプローチであるScattering Transform with E-GraphSAGE (STEG)は、散乱変換を用いてエッジ特徴ベクトルの多重分解能解析を行う。 第2のアプローチでは、ノード表現をNode2Vecで開始することで改善し、統一値を使用する標準的な方法から逸脱する。
  論文  参考訳（メタデータ） (2024-04-16T00:02:12Z)
• Network Embedding Using Sparse Approximations of Random Walks [2.676713226382288]
  本稿では,拡散ウェーブレットアルゴリズムの修正版により得られたネットワーク上での拡散過程のスパース近似を用いて,通勤時間に基づくネットワーク埋め込みの効率的な数値的実装を提案する。 本稿では,データクラスタリングとマルチラベル分類における本手法の有効性をいくつかの例で示し,その性能を効率と精度の観点から比較する。
  論文  参考訳（メタデータ） (2023-08-25T20:35:45Z)
• Deep Graph Reprogramming [112.34663053130073]
  グラフニューラルネットワーク(GNN)に適したタスク再利用モデル「ディープグラフ再プログラミング」 本稿では,モデル再プログラミングパラダイムと並行して,革新的なデータ再プログラミングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-28T02:04:29Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Self-Supervised Graph Representation Learning via Topology Transformations [61.870882736758624]
  本稿では,グラフデータのノード表現のための自己教師型学習の一般的なパラダイムであるトポロジー変換同変表現学習について述べる。 実験では,提案手法を下流ノードおよびグラフ分類タスクに適用し,提案手法が最先端の教師なし手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-25T06:11:03Z)
• Offline detection of change-points in the mean for stationary graph signals [55.98760097296213]
  グラフ信号定常性の概念に依存するオフライン手法を提案する。 我々の検出器は、漸近的でない不等式オラクルの証拠を伴っている。
  論文  参考訳（メタデータ） (2020-06-18T15:51:38Z)
• Learning Representations using Spectral-Biased Random Walks on Graphs [18.369974607582584]
  このプロセスにおける確率バイアスが、プロセスによって選択されたノードの品質にどの程度影響するかを調査する。 我々は、この近傍を正規化ラプラス行列として表されるノードの近傍部分グラフのスペクトルに基づく確率測度として簡潔に捉えた。 我々は,様々な実世界のデータセット上で,最先端ノード埋め込み技術に対する我々のアプローチを実証的に評価した。
  論文  参考訳（メタデータ） (2020-05-19T20:42:43Z)
• Deep Constraint-based Propagation in Graph Neural Networks [15.27048776159285]
  本稿では,ラグランジアンフレームワークにおける制約付き最適化に基づくグラフニューラルネットワーク(GNN)の学習手法を提案する。 我々の計算構造は、重み、ノード状態変数、ラグランジュ乗算器からなる随伴空間におけるラグランジアンのサドル点を探索する。 実験により,提案手法はいくつかのベンチマークで一般的なモデルと比較された。
  論文  参考訳（メタデータ） (2020-05-05T16:50:59Z)
• Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric graphs [81.12344211998635]
  メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。 本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。 本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-03-11T17:21:15Z)

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。