Fugu-MT 論文翻訳(概要): Graph Signal Recovery Using Restricted Boltzmann Machines

論文の概要: Graph Signal Recovery Using Restricted Boltzmann Machines

arxiv url: http://arxiv.org/abs/2011.10549v1
Date: Fri, 20 Nov 2020 18:43:53 GMT
ステータス: 処理完了
システム内更新日: 2022-09-23 05:06:49.781726
Title: Graph Signal Recovery Using Restricted Boltzmann Machines
Title（参考訳）: 制限ボルツマンマシンを用いたグラフ信号の復元
Authors: Ankith Mohan, Aiichiro Nakano, Emilio Ferrara
Abstract要約: 本稿では,制限されたボルツマンマシンのコンテンツアドレス可能なメモリ特性を利用して,専門家システムからグラフ信号を復元するモデルに依存しないパイプラインを提案する。ディープニューラルネットワークによって学習された表現をデノイズ化することは、通常、データ自体をデノイズ化するよりも効果的であることを示す。
参考スコア（独自算出の注目度）: 11.077860020575084
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We propose a model-agnostic pipeline to recover graph signals from an expert system by exploiting the content addressable memory property of restricted Boltzmann machine and the representational ability of a neural network. The proposed pipeline requires the deep neural network that is trained on a downward machine learning task with clean data, data which is free from any form of corruption or incompletion. We show that denoising the representations learned by the deep neural networks is usually more effective than denoising the data itself. Although this pipeline can deal with noise in any dataset, it is particularly effective for graph-structured datasets.
Abstract（参考訳）: 本稿では,制限ボルツマンマシンのメモリ特性とニューラルネットワークの表現能力を利用して,エキスパートシステムからグラフ信号を復元するモデル非依存パイプラインを提案する。提案したパイプラインは、汚職や不完全性のないクリーンなデータによって、下向きの機械学習タスクでトレーニングされたディープニューラルネットワークを必要とする。深層ニューラルネットワークによって学習される表現は、通常、データ自体の表現よりも効果的であることを示す。このパイプラインは任意のデータセットのノイズに対処できるが、グラフ構造化データセットには特に有効である。

関連論文リスト

Noise robust neural network architecture [0.0]
その結果,白色雑音の入力データに直面すると,良好な耐雑音性が得られることがわかった。我々は、MNISTデータセットに単純なダインニューラルネットワークを適用し、人間が認識しにくい非常にノイズの多い入力画像であっても、データセット拡張なしでは、より優れたテストセット精度を達成できることを実証した。
論文参考訳（メタデータ） (2023-05-16T08:30:45Z)
Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文参考訳（メタデータ） (2022-10-20T11:03:21Z)
Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文参考訳（メタデータ） (2022-10-17T06:29:07Z)
Weak-signal extraction enabled by deep-neural-network denoising of diffraction data [26.36525764239897]
深層畳み込みニューラルネットワークを用いて、データの復号化を図示する。ノイズの多いデータでは、電荷の順序から生じる弱信号が可視化され、精度が向上することを示す。
論文参考訳（メタデータ） (2022-09-19T14:43:01Z)
Flurry: a Fast Framework for Reproducible Multi-layered Provenance Graph Representation Learning [0.44040106718326594]
Flurryは、サイバー攻撃をシミュレートするエンドツーエンドのデータパイプラインである。複数のシステムとアプリケーション層におけるこれらの攻撃からのデータをキャプチャし、これらの攻撃からの監査ログをデータプロファイランスグラフに変換し、このデータをディープニューラルネットワークのトレーニングフレームワークに組み込む。複数のシステム攻撃からのデータを処理し,グラフ分類による異常検出を行うことで,このパイプラインを実証する。
論文参考訳（メタデータ） (2022-03-05T13:52:11Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Physical Constraint Embedded Neural Networks for inference and noise regulation [0.0]
ニューラルネットワークに偶数ノード対称性と保存則を埋め込む方法を提案する。先行知識を使わずに正確に対称性を推測できることを実証する。物理拘束型組込みニューラルネットワークの雑音耐性特性を強調した。
論文参考訳（メタデータ） (2021-05-19T14:07:20Z)
An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
論文参考訳（メタデータ） (2021-03-27T04:47:59Z)
Information contraction in noisy binary neural networks and its implications [11.742803725197506]
我々は、各ニューロンが不正な出力を発生させる確率がゼロでない、ノイズの多いバイナリニューラルネットワークを考察する。私たちの重要な発見は、ノイズの多いニューラルネットワークで必要なニューロンの数が少ないことです。本稿では,情報理論のレンズを通して,ノイズの多い情報処理システムに対する新たな理解を提供する。
論文参考訳（メタデータ） (2021-01-28T00:01:45Z)
Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文参考訳（メタデータ） (2020-12-31T18:48:58Z)
Applications of Koopman Mode Analysis to Neural Networks [52.77024349608834]
我々は,ニューラルネットワークのトレーニング過程を,高次元の重み空間に作用する力学系と考える。アーキテクチャに必要なレイヤ数を決定するために、Koopmanスペクトルをどのように利用できるかを示す。また、Koopmanモードを使えば、ネットワークを選択的にプーンしてトレーニング手順を高速化できることを示す。
論文参考訳（メタデータ） (2020-06-21T11:00:04Z)

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。