Fugu-MT 論文翻訳(概要): Multidimensional Persistence Module Classification via Lattice-Theoretic Convolutions

論文の概要: Multidimensional Persistence Module Classification via Lattice-Theoretic Convolutions

arxiv url: http://arxiv.org/abs/2011.14057v2
Date: Wed, 31 Aug 2022 12:54:00 GMT
ステータス: 処理完了
システム内更新日: 2022-09-19 20:04:33.684811
Title: Multidimensional Persistence Module Classification via Lattice-Theoretic Convolutions
Title（参考訳）: 格子理論畳み込みによる多次元パーシステンスモジュール分類
Authors: Hans Riess, Jakob Hansen, Robert Ghrist
Abstract要約: 格子型畳み込みニューラルネットワーク層を多次元永続モジュールから生じる特徴を解析するためのツールとして利用することを検討する。これらのことは多次元永続モジュールの分類における畳み込みの代替となる。
参考スコア（独自算出の注目度）: 3.093890460224435
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multiparameter persistent homology has been largely neglected as an input to machine learning algorithms. We consider the use of lattice-based convolutional neural network layers as a tool for the analysis of features arising from multiparameter persistence modules. We find that these show promise as an alternative to convolutions for the classification of multidimensional persistence modules.
Abstract（参考訳）: 多パラメータ永続ホモロジーは機械学習アルゴリズムへの入力として無視されている。格子型畳み込みニューラルネットワーク層を多パラメータ永続モジュールから生じる特徴を解析するためのツールとして利用することを検討する。これらは多次元永続モジュールの分類の畳み込みの代替として、promiseを示す。

関連論文リスト

Application of Multimodal Fusion Deep Learning Model in Disease Recognition [14.655086303102575]
本稿では,従来の単一モーダル認識手法の欠点を克服する,革新的なマルチモーダル融合深層学習手法を提案する。特徴抽出段階では、画像ベース、時間的、構造化されたデータソースから高度な特徴を抽出するために最先端のディープラーニングモデルを適用する。その結果, マルチモーダル融合モデルにおいて, 複数の評価指標にまたがる大きな利点が示された。
論文参考訳（メタデータ） (2024-05-22T23:09:49Z)
Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
論文参考訳（メタデータ） (2023-10-22T04:06:44Z)
Multiclass classification for multidimensional functional data through deep neural networks [0.22843885788439797]
革新的なデータマイニング分類ツールとして,新しい機能深層ニューラルネットワーク(mfDNN)を導入する。線形単位(ReLU)アクティベーション機能を持つ疎いディープニューラルネットワークアーキテクチャを考察し,マルチクラス分類設定におけるクロスエントロピー損失を最小化する。シミュレーションデータと異なるアプリケーションドメインのベンチマークデータセットにおけるmfDNNの性能を示す。
論文参考訳（メタデータ） (2023-05-22T16:56:01Z)
Sequence Modeling with Multiresolution Convolutional Memory [27.218134279968062]
我々は、MultiresLayerと呼ばれるシーケンスモデリングのための新しいビルディングブロックを構築します。我々のモデルの主要な構成要素はマルチレゾリューション・コンボリューションであり、入力シーケンスにおけるマルチスケールトレンドをキャプチャする。本モデルでは,多数のシーケンス分類と自己回帰密度推定タスクについて,最先端の性能を示す。
論文参考訳（メタデータ） (2023-05-02T17:50:54Z)
Modular Deep Learning [120.36599591042908]
トランスファーラーニングは近年、機械学習の主要なパラダイムとなっている。負の干渉を伴わずに複数のタスクを専門とするモデルを開発する方法はまだ不明である。これらの課題に対する有望な解決策として、モジュール型ディープラーニングが登場した。
論文参考訳（メタデータ） (2023-02-22T18:11:25Z)
Discretization Invariant Networks for Learning Maps between Neural Fields [3.09125960098955]
離散化不変ニューラルネットワーク(DI-Net)の理解と設計のための新しいフレームワークを提案する。我々の分析は、異なる有限離散化の下でのモデル出力の偏差の上限を確立する。構成により、DI-Netsは可積分函数空間間の大きな写像のクラスを普遍的に近似することが証明される。
論文参考訳（メタデータ） (2022-06-02T17:44:03Z)
Adaptive Discrete Communication Bottlenecks with Dynamic Vector Quantization [76.68866368409216]
入力に条件付けされた離散化の厳密度を動的に選択する学習を提案する。コミュニケーションボトルネックの動的に変化する厳密さは、視覚的推論や強化学習タスクにおけるモデル性能を向上させることができることを示す。
論文参考訳（メタデータ） (2022-02-02T23:54:26Z)
Multi-Scale Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition [140.18376685167857]
スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。 MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-11-07T03:50:50Z)
Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文参考訳（メタデータ） (2021-10-09T00:00:16Z)
Photonic band structure design using persistent homology [0.0]
本稿では,周期的フォトニックメディアのバンド構造を特徴付け,最適化するためのツールとして,永続的ホモロジーを提案する。永続ホモロジーが、トポロジカルバンド理論の通常のパラダイムの外にある様々なバンド構造を確実に分類できることを示す。この手法はフォトニック結晶やモアレ超格子のようなより複雑なシステムの自動設計に有効である。
論文参考訳（メタデータ） (2020-12-19T05:28:00Z)
Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。