論文の概要: The Atlas for the Aspiring Network Scientist
- arxiv url: http://arxiv.org/abs/2101.00863v2
- Date: Mon, 8 Feb 2021 08:53:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 22:26:22.737546
- Title: The Atlas for the Aspiring Network Scientist
- Title（参考訳）: the atlas for the aspiring network scientist (英語)
- Authors: Michele Coscia
- Abstract要約: ネットワーク科学 (Network science) は、ネットワークとしての表現を通して複雑なシステムの調査と分析を行う分野である。
複雑なネットワークを理解したいなら、大規模な分析ツールボックスをマスターする必要があります。
この本は、これらのツールに初めてアクセスすることを目的としている。
- 参考スコア（独自算出の注目度）: 0.30458514384586394
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Network science is the field dedicated to the investigation and analysis of
complex systems via their representations as networks. We normally model such
networks as graphs: sets of nodes connected by sets of edges and a number of
node and edge attributes. This deceptively simple object is the starting point
of never-ending complexity, due to its ability to represent almost every facet
of reality: chemical interactions, protein pathways inside cells, neural
connections inside the brain, scientific collaborations, financial relations,
citations in art history, just to name a few examples. If we hope to make sense
of complex networks, we need to master a large analytic toolbox: graph and
probability theory, linear algebra, statistical physics, machine learning,
combinatorics, and more.
This book aims at providing the first access to all these tools. It is
intended as an "Atlas", because its interest is not in making you a specialist
in using any of these techniques. Rather, after reading this book, you will
have a general understanding about the existence and the mechanics of all these
approaches. You can use such an understanding as the starting point of your own
career in the field of network science. This has been, so far, an
interdisciplinary endeavor. The founding fathers of this field come from many
different backgrounds: mathematics, sociology, computer science, physics,
history, digital humanities, and more. This Atlas is charting your path to be
something different from all of that: a pure network scientist.
- Abstract（参考訳）: ネットワーク科学 (Network science) は、ネットワークとしての表現を通して複雑なシステムの調査と分析を行う分野である。
私たちは通常、グラフのようなネットワークをモデル化します: エッジのセットと多くのノードとエッジ属性で接続されたノードの集合です。
化学的相互作用、細胞内のタンパク質経路、脳内の神経接続、科学的なコラボレーション、金融関係、美術史における引用など、ほとんど全ての現実の側面を表現する能力があるためである。
複雑なネットワークを理解したいのであれば、グラフと確率論、線形代数、統計物理学、機械学習、組合せ論など、大きな分析ツールボックスを習得する必要があります。
この本は、これらのツールに初めてアクセスすることを目的としている。
それは"アトラス"として意図されている。なぜなら、その興味は、あなたがこれらのテクニックを使用する専門家になることではないからだ。
むしろ、この本を読み終えると、これらのアプローチのあらゆる存在とメカニズムについて、一般的な理解が得られるでしょう。
ネットワーク科学の分野における自身のキャリアの出発点として、そのような理解を利用できます。
これまでのところ、これは学際的な取り組みだ。
この分野の創始者たちは、数学、社会学、計算機科学、物理学、歴史、デジタル人文科学など、多くの異なる背景を持っている。
このAtlas(アトラス)は、純粋なネットワーク科学者の道のりをグラフ化しています。
関連論文リスト
- Towards a Categorical Foundation of Deep Learning: A Survey [0.0]
この論文は、機械学習を分類的に研究しようとする最近の研究をカバーしている。
数学と科学の言語フランスとして働く カテゴリー理論は 機械学習の分野に 統一的な構造を与えるかもしれない
論文 参考訳（メタデータ） (2024-10-07T13:11:16Z) - Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
オントロジはドメイン知識とメタデータを表現するために広く使われている。
1つの簡単な解決策は、統計分析と機械学習を統合することである。
埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
論文 参考訳（メタデータ） (2024-06-16T14:49:19Z) - A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。
Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。
本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文 参考訳（メタデータ） (2023-12-12T18:44:19Z) - Riemannian Residual Neural Networks [58.925132597945634]
残余ニューラルネットワーク(ResNet)の拡張方法を示す。
ResNetは、機械学習において、有益な学習特性、優れた経験的結果、そして様々なニューラルネットワークを構築する際に容易に組み込める性質のために、ユビキタスになった。
論文 参考訳（メタデータ） (2023-10-16T02:12:32Z) - Unsupervised Learning via Network-Aware Embeddings [0.0]
ノード属性間のネットワーク距離を推定することにより,ネットワーク対応の埋め込みを作成する方法を示す。
提案手法は完全オープンソースであり, 論文中のすべての結果を再現するためのデータとコードは利用可能である。
論文 参考訳（メタデータ） (2023-09-19T08:17:48Z) - Everything is Connected: Graph Neural Networks [0.0]
この短い調査は、グラフ表現学習の領域において、読者が重要な概念を同化できるようにすることを目的としている。
この短い調査の主な目的は、読者がその領域における重要な概念を同化させ、関連する分野との適切なコンテキストにおける位置グラフ表現学習を可能にすることである。
論文 参考訳（メタデータ） (2023-01-19T18:09:43Z) - The Physics of Machine Learning: An Intuitive Introduction for the
Physical Scientist [0.0]
この記事では、機械学習アルゴリズムに関する深い洞察を得たいと願う物理科学者を対象としている。
まず、エネルギーベースの2つの機械学習アルゴリズム、ホップフィールドネットワークとボルツマンマシンのレビューと、Isingモデルとの関係について述べる。
次に、フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク、オートエンコーダを含む、さらに"実践的"な機械学習アーキテクチャを掘り下げます。
論文 参考訳（メタデータ） (2021-11-27T15:12:42Z) - Dive into Layers: Neural Network Capacity Bounding using Algebraic
Geometry [55.57953219617467]
ニューラルネットワークの学習性はそのサイズと直接関連していることを示す。
入力データとニューラルネットワークのトポロジ的幾何学的複雑さを測定するためにベッチ数を用いる。
実世界のデータセットMNISTで実験を行い、分析結果と結論を検証した。
論文 参考訳（メタデータ） (2021-09-03T11:45:51Z) - NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural
Network Synthesis [53.106414896248246]
本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。
このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
論文 参考訳（メタデータ） (2020-09-28T01:48:45Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z)
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。