Fugu-MT 論文翻訳(概要): A New Neural Network Architecture Invariant to the Action of Symmetry Subgroups

論文の概要: A New Neural Network Architecture Invariant to the Action of Symmetry Subgroups

arxiv url: http://arxiv.org/abs/2012.06452v1
Date: Fri, 11 Dec 2020 16:19:46 GMT
ステータス: 処理完了
システム内更新日: 2021-05-11 06:34:36.936523
Title: A New Neural Network Architecture Invariant to the Action of Symmetry Subgroups
Title（参考訳）: 対称性サブグループの作用に不変な新しいニューラルネットワークアーキテクチャ
Authors: Piotr Kicki, Mete Ozay, Piotr Skrzypczy\'nski
Abstract要約: 入力データに対する任意の置換部分群の作用に不変な関数を近似する$G$不変ニューラルネットワークを提案する。提案されたネットワークアーキテクチャの重要な要素は、入力データの$g$-invariant latent表現を生成する新しい$g$-invariant transformationモジュールである。
参考スコア（独自算出の注目度）: 11.812645659940237
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a computationally efficient $G$-invariant neural network that approximates functions invariant to the action of a given permutation subgroup $G \leq S_n$ of the symmetric group on input data. The key element of the proposed network architecture is a new $G$-invariant transformation module, which produces a $G$-invariant latent representation of the input data. Theoretical considerations are supported by numerical experiments, which demonstrate the effectiveness and strong generalization properties of the proposed method in comparison to other $G$-invariant neural networks.
Abstract（参考訳）: 入力データに対する対称群の置換部分群 $g \leq s_n$ の作用に不変な関数を近似する計算効率の良い$g$-invariantニューラルネットワークを提案する。提案されたネットワークアーキテクチャの重要な要素は、入力データの$g$-invariant latent表現を生成する新しい$g$-invariant transformationモジュールである。理論的考察は、他の$G$不変ニューラルネットワークと比較して提案手法の有効性と強力な一般化特性を示す数値実験によって支持される。

関連論文リスト

Joint Group Invariant Functions on Data-Parameter Domain Induce Universal Neural Networks [14.45619075342763]
本稿では、一般化されたニューラルネットワークとその右逆演算子であるリッジレット変換を誘導する体系的手法を提案する。リッジレット変換は逆であるため、対象関数を表すためにネットワークのパラメータの配置を記述することができる。より広い階層のネットワークを包含する統一的な方法でシュルの補題を用いて、普遍性の新たな単純な証明を示す。
論文参考訳（メタデータ） (2023-10-05T13:30:37Z)
Deep Neural Networks with Efficient Guaranteed Invariances [77.99182201815763]
我々は、性能改善の問題、特にディープニューラルネットワークのサンプル複雑性に対処する。群同変畳み込みは同変表現を得るための一般的なアプローチである。本稿では,各ストリームが異なる変換に不変なマルチストリームアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-03-02T20:44:45Z)
Permutation Equivariant Neural Functionals [92.0667671999604]
この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
論文参考訳（メタデータ） (2023-02-27T18:52:38Z)
Implicit Convolutional Kernels for Steerable CNNs [5.141137421503899]
ステアブル畳み込みニューラルネットワーク(CNN)は、原点保存グループ$G$の翻訳と変換に等しいニューラルネットワークを構築するための一般的なフレームワークを提供する。本稿では,多層パーセプトロン(MLP)による暗黙的ニューラル表現を用いて,$G$-steerableカーネルのパラメータ化を提案する。我々は,N体シミュレーション,点雲分類,分子特性予測など,複数のタスクにおける本手法の有効性を実証する。
論文参考訳（メタデータ） (2022-12-12T18:10:33Z)
Equivariant Transduction through Invariant Alignment [71.45263447328374]
グループ内ハードアライメント機構を組み込んだ,新しいグループ同変アーキテクチャを提案する。我々のネットワーク構造は、既存のグループ同変アプローチよりも強い同変特性を発達させることができる。また、SCANタスクにおいて、従来のグループ同変ネットワークよりも経験的に優れていたことが判明した。
論文参考訳（メタデータ） (2022-09-22T11:19:45Z)
Universality of group convolutional neural networks based on ridgelet analysis on groups [10.05944106581306]
グループ畳み込みニューラルネットワーク(GCNN)のリッジレット理論に基づく近似特性について検討する。群表現間の非線形写像として多目的GCNNを定式化する。
論文参考訳（メタデータ） (2022-05-30T02:52:22Z)
Revisiting Transformation Invariant Geometric Deep Learning: Are Initial Representations All You Need? [80.86819657126041]
変換不変および距離保存初期表現は変換不変性を達成するのに十分であることを示す。具体的には、多次元スケーリングを変更することで、変換不変かつ距離保存された初期点表現を実現する。我々は、TinvNNが変換不変性を厳密に保証し、既存のニューラルネットワークと組み合わせられるほど汎用的で柔軟なことを証明した。
論文参考訳（メタデータ） (2021-12-23T03:52:33Z)
Frame Averaging for Invariant and Equivariant Network Design [50.87023773850824]
フレーム平均化(FA)は、既知の(バックボーン)アーキテクチャを新しい対称性タイプに不変あるいは同変に適応するためのフレームワークである。 FAモデルが最大表現力を持つことを示す。我々は,新しいユニバーサルグラフニューラルネット(GNN),ユニバーサルユークリッド運動不変点クラウドネットワーク,およびユークリッド運動不変メッセージパッシング(MP)GNNを提案する。
論文参考訳（メタデータ） (2021-10-07T11:05:23Z)
On the finite representation of group equivariant operators via permutant measures [0.0]
それぞれの線形$G$-equivariant演算子は適切な置換測度で生成可能であることを示す。この結果により、線形$G$-同変作用素を有限条件で構築する新しい方法が利用可能となる。
論文参考訳（メタデータ） (2020-08-07T14:25:04Z)
Stochastic Flows and Geometric Optimization on the Orthogonal Group [52.50121190744979]
直交群 $O(d)$ 上の幾何駆動最適化アルゴリズムの新しいクラスを示す。提案手法は,深層,畳み込み,反復的なニューラルネットワーク,強化学習,フロー,メトリック学習など,機械学習のさまざまな分野に適用可能であることを示す。
論文参考訳（メタデータ） (2020-03-30T15:37:50Z)
A Computationally Efficient Neural Network Invariant to the Action of Symmetry Subgroups [12.654871396334668]
新しい$G$不変変換モジュールは入力データの$G$不変潜在表現を生成する。この潜在表現は、ネットワーク内の多層パーセプトロンで処理される。提案するアーキテクチャの普遍性を証明し,その特性を議論し,計算とメモリ効率を強調する。
論文参考訳（メタデータ） (2020-02-18T12:50:56Z)

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。