Fugu-MT 論文翻訳(概要): Bosonic Random Walk Networks for Graph Learning

論文の概要: Bosonic Random Walk Networks for Graph Learning

arxiv url: http://arxiv.org/abs/2101.00082v1
Date: Thu, 31 Dec 2020 21:40:40 GMT
ステータス: 処理完了
システム内更新日: 2021-04-17 17:02:32.897959
Title: Bosonic Random Walk Networks for Graph Learning
Title（参考訳）: グラフ学習のためのボソニックランダムウォークネットワーク
Authors: Shiv Shankar, Don Towsley
Abstract要約: グラフにまたがる拡散情報に対する多粒子量子ウォークの適用を検討する。我々のモデルは、グラフ上の量子ランダムウォーカーのダイナミクスを制御する演算子の学習に基づいている。分類および回帰作業における本手法の有効性を実証する。
参考スコア（独自算出の注目度）: 32.24009574184356
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The development of Graph Neural Networks (GNNs) has led to great progress in machine learning on graph-structured data. These networks operate via diffusing information across the graph nodes while capturing the structure of the graph. Recently there has also seen tremendous progress in quantum computing techniques. In this work, we explore applications of multi-particle quantum walks on diffusing information across graphs. Our model is based on learning the operators that govern the dynamics of quantum random walkers on graphs. We demonstrate the effectiveness of our method on classification and regression tasks.
Abstract（参考訳）: グラフニューラルネットワーク(gnns)の開発は、グラフ構造化データでの機械学習の大きな進歩をもたらした。これらのネットワークは、グラフの構造を捉えながら、グラフノード間の拡散情報を介して動作する。近年、量子コンピューティング技術も飛躍的に進歩している。本研究では,多粒子量子ウォークのグラフ間の拡散情報への応用について検討する。我々のモデルは、グラフ上の量子ランダムウォーカーのダイナミクスを制御する演算子の学習に基づいている。分類および回帰作業における本手法の有効性を実証する。

関連論文リスト

Graphs Unveiled: Graph Neural Networks and Graph Generation [0.0]
本稿では,グラフニューラルネットワーク(GNN)の概要を紹介する。様々な領域にわたるグラフニューラルネットワークの適用について論じる。我々は,グラフ生成という,GNNの先進的な分野を提示する。
論文参考訳（メタデータ） (2024-03-18T14:37:27Z)
Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
論文参考訳（メタデータ） (2022-10-27T16:00:45Z)
Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文参考訳（メタデータ） (2022-05-19T14:08:15Z)
A generative neural network model for random dot product graphs [1.1421942894219896]
GraphMoEは、ランダムグラフの生成モデルを学ぶための新しいアプローチである。ニューラルネットワークは、モーメント推定器を用いて、ランダムグラフのクラスの分布と一致するように訓練される。
論文参考訳（メタデータ） (2022-04-15T19:59:22Z)
Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
論文参考訳（メタデータ） (2022-02-28T15:08:48Z)
Learning through structure: towards deep neuromorphic knowledge graph embeddings [0.5906031288935515]
本稿では,知識グラフ推論のための深層グラフ学習アーキテクチャをニューロモルフィックアーキテクチャにマッピングする戦略を提案する。ランダムかつ未学習のグラフニューラルネットワークが局所的なグラフ構造を保存することができるという知見に基づいて、凍結したニューラルネットワークの浅い知識グラフ埋め込みモデルを構成する。我々は,従来型のハードウェア上では,性能水準を維持しながら,高速化とメモリの大幅な削減を実現していることを示す。
論文参考訳（メタデータ） (2021-09-21T18:01:04Z)
Increase and Conquer: Training Graph Neural Networks on Growing Graphs [116.03137405192356]
本稿では,このグラフからBernoulliをサンプリングしたグラフ上でGNNをトレーニングすることで,WNN(Graphon Neural Network)を学習する問題を考察する。これらの結果から着想を得た大規模グラフ上でGNNを学習するアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-06-07T15:05:59Z)
Quantum machine learning of graph-structured data [0.38581147665516596]
グラフ構造化量子データについて検討し、量子ニューラルネットワークによる量子機械学習の実施方法について述べる。我々は、この追加グラフ構造を体系的に利用して量子学習アルゴリズムを改善する方法について説明する。
論文参考訳（メタデータ） (2021-03-19T14:39:19Z)
Learning Graph Representations [0.0]
グラフニューラルネットワーク(GNN)は、大きな動的グラフデータセットに対する洞察を得るための効率的な方法である。本稿では,グラフ畳み込みニューラルネットワークのオートエンコーダとソーシャル・テンポラル・グラフ・ニューラルネットワークについて論じる。
論文参考訳（メタデータ） (2021-02-03T12:07:55Z)
Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
論文参考訳（メタデータ） (2020-11-14T11:09:51Z)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。