論文の概要: GRCNN: Graph Recognition Convolutional Neural Network for Synthesizing Programs from Flow Charts

• arxiv url: http://arxiv.org/abs/2011.05980v1
• Date: Wed, 11 Nov 2020 18:52:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 00:25:36.378254
• Title: GRCNN: Graph Recognition Convolutional Neural Network for Synthesizing Programs from Flow Charts
• Title（参考訳）: grcnn:フローチャートからプログラムを合成するためのグラフ認識畳み込みニューラルネットワーク
• Authors: Lin Cheng, Zijiang Yang
• Abstract要約: 本稿では,正確かつ直感的な仕様として機能するフローチャートからプログラムを合成するフレームワークを提案する。 GRCNNはエンドツーエンドでトレーニングされており、フローチャートのエッジとノード情報を同時に予測することができる。 プログラムを合成する精度は66.4%であり、エッジとノードを認識する精度は94.1%と67.9%である。
• 参考スコア（独自算出の注目度）: 8.523488909300955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Program synthesis is the task to automatically generate programs based on user specification. In this paper, we present a framework that synthesizes programs from flow charts that serve as accurate and intuitive specifications. In order doing so, we propose a deep neural network called GRCNN that recognizes graph structure from its image. GRCNN is trained end-to-end, which can predict edge and node information of the flow chart simultaneously. Experiments show that the accuracy rate to synthesize a program is 66.4%, and the accuracy rates to recognize edge and nodes are 94.1% and 67.9%, respectively. On average, it takes about 60 milliseconds to synthesize a program.
• Abstract（参考訳）: プログラム合成はユーザー仕様に基づいて自動的にプログラムを生成するタスクである。 本稿では,正確かつ直感的な仕様として機能するフローチャートからプログラムを合成するフレームワークを提案する。 そこで我々は,その画像からグラフ構造を認識するGRCNNというディープニューラルネットワークを提案する。 grcnnはエンドツーエンドでトレーニングされ、フローチャートのエッジとノード情報を同時に予測することができる。 プログラムを合成する精度は66.4%であり、エッジとノードを認識する精度は94.1%と67.9%である。 平均して、プログラムを合成するのに約60ミリ秒かかる。

関連論文リスト

• Commute Graph Neural Networks [7.143879014059894]
  我々は,ノードワイズ通勤時間をメッセージパッシング方式にシームレスに統合するアプローチであるCommutute Graph Neural Networks (CGNN)を導入する。 CGNNは、新しく定式化されたラプラシアングラフを用いて通勤時間を計算するための効率的な方法である。 これによりCGNNは、ダイグラフの相互非対称関係を直接キャプチャできる。
  論文  参考訳（メタデータ） (2024-06-30T10:53:40Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• A Graph Neural Network Approach for Temporal Mesh Blending and Correspondence [18.466814193413487]
  Red-Blue MPNNは、対応を推定するために拡張グラフを処理する新しいグラフニューラルネットワークである。 動作中の人間のメッシュの時間的シーケンスからなる大規模な合成データセットを作成する。
  論文  参考訳（メタデータ） (2023-06-23T11:47:30Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• 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)
• Variational models for signal processing with Graph Neural Networks [3.5939555573102853]
  本稿では,ニューラルネットワークを用いた点雲の信号処理について述べる。 本研究では,このようなグラフニューラルネットワークの変分モデルを用いて,教師なし学習のためのグラフ上の信号を処理する方法を検討する。
  論文  参考訳（メタデータ） (2021-03-30T13:31:11Z)
• Learning to Execute Programs with Instruction Pointer Attention Graph Neural Networks [55.98291376393561]
  グラフニューラルネットワーク(GNN)は、ソフトウェアエンジニアリングタスクを学習するための強力なツールとして登場した。 リカレントニューラルネットワーク(RNN)は、長いシーケンシャルな推論の連鎖に適しているが、プログラム構造を自然に組み込んでいるわけではない。 本稿では,新しいGNNアーキテクチャ,IPA-GNN(Instruction Pointer Attention Graph Neural Networks)を導入する。
  論文  参考訳（メタデータ） (2020-10-23T19:12:30Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。