論文の概要: Simplicial Complex Representation Learning
- arxiv url: http://arxiv.org/abs/2103.04046v2
- Date: Tue, 9 Mar 2021 07:18:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 12:25:50.568741
- Title: Simplicial Complex Representation Learning
- Title(参考訳): 単純複素表現学習
- Authors: Mustafa Hajij, Ghada Zamzmi, Xuanting Cai
- Abstract要約: 単純複体は、コンピュータ支援設計、コンピュータグラフィックス、シミュレーションでよく使用される位相空間の重要なクラスを形成する。
本稿では,単純複体を普遍埋め込み空間に埋め込む,単純複素レベル表現学習の手法を提案する。
本手法は,事前学習した簡易オートエンコーダによって誘導される単純xレベル埋め込みを用いて,単純化された複合表現全体を学習する。
- 参考スコア(独自算出の注目度): 0.7734726150561088
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simplicial complexes form an important class of topological spaces that are
frequently used to in many applications areas such as computer-aided design,
computer graphics, and simulation. The representation learning on graphs, which
are just 1-d simplicial complexes, has witnessed a great attention and success
in the past few years. Due to the additional complexity higher dimensional
simplicial hold, there has not been enough effort to extend representation
learning to these objects especially when it comes to learn entire-simplicial
complex representation. In this work, we propose a method for simplicial
complex-level representation learning that embeds a simplicial complex to a
universal embedding space in a way that complex-to-complex proximity is
preserved. Our method utilizes a simplex-level embedding induced by a
pre-trained simplicial autoencoder to learn an entire simplicial complex
representation. To the best of our knowledge, this work presents the first
method for learning simplicial complex-level representation.
- Abstract(参考訳): 単純複素体は、コンピュータ支援設計、コンピュータグラフィックス、シミュレーションなどの多くのアプリケーション分野で頻繁に使用される位相空間の重要なクラスを形成します。
グラフ上の表現学習は、たった1-dの単純な複合体であり、ここ数年で大きな注目と成功を目撃しています。
複雑さが増すため、より高次元の簡素なホールドがあるため、表現学習をこれらのオブジェクトに拡張するには十分な労力がなかった。
本研究では, 複素-複素近接性を保存する方法として, 単純複体を普遍的な埋め込み空間に埋め込む簡易複体表現学習法を提案する。
本手法は,事前学習した簡易オートエンコーダによって誘導される単純xレベル埋め込みを用いて,単純化された複合表現全体を学習する。
我々の知る限りでは、この研究は単純な複素レベル表現を学習する最初の方法である。
関連論文リスト
- Simplicity in Complexity [6.363158395541767]
画像のセグメントベース表現を用いた複雑性のモデル化を提案する。
この2つの特徴を6つの多様な画像集合にまたがる単純な線形モデルにより,複雑性がよく説明できることがわかった。
論文 参考訳(メタデータ) (2024-03-05T17:21:31Z) - SC-MAD: Mixtures of Higher-order Networks for Data Augmentation [36.33265644447091]
単純複体は、グラフニューラルネットワーク(GNN)の単純複体モデルへの一般化にインスピレーションを与えた。
本稿では, 線形および非線形混合機構による単純錯体のデータ増大について述べる。
理論的には、合成単純錯体は、同型密度に関して、既存のデータ間で相互に相互作用することを示した。
論文 参考訳(メタデータ) (2023-09-14T06:25:39Z) - Frequency Convergence of Complexon Shift Operators (Extended Version) [41.726311941747404]
本研究では,グラフトンの高次化によるトポロジカル信号処理の転送可能性について検討する。
グラノンシフト作用素の積分作用素形式に着想を得て、境界複素数と複素数シフト作用素を構築する。
simplicial complex sequence が複素数に収束すると、対応する CSO の固有値は極限複素数に収束する。
論文 参考訳(メタデータ) (2023-09-12T08:40:20Z) - Invariant Representations of Embedded Simplicial Complexes [0.0]
多くの分野において、三角メッシュやグラフのような埋め込み単純複体を解析することは重要な問題である。
本稿では, 位相情報と幾何学情報のみを用いて, サブディビジョン不変およびアイソメトリー不変の方法で, 組込みsimplicial Complexを解析するための新しいアプローチを提案する。
論文 参考訳(メタデータ) (2023-02-27T07:49:05Z) - On the Complexity of Representation Learning in Contextual Linear
Bandits [110.84649234726442]
表現学習は線形帯域よりも根本的に複雑であることを示す。
特に、与えられた表現の集合で学ぶことは、その集合の中で最悪の実現可能な表現で学ぶことよりも決して単純ではない。
論文 参考訳(メタデータ) (2022-12-19T13:08:58Z) - Structured information extraction from complex scientific text with
fine-tuned large language models [55.96705756327738]
そこで本研究では,共振器認識と関係抽出のための簡単なシーケンス・ツー・シーケンス手法を提案する。
このアプローチは、約500組のプロンプトで微調整された、事前訓練済みの大規模言語モデル(LLM)であるGPT-3を利用する。
このアプローチは、構造化されていないテキストから抽出された構造化知識の大規模なデータベースを得るための、シンプルで、アクセス可能で、非常に柔軟な経路を示す。
論文 参考訳(メタデータ) (2022-12-10T07:51:52Z) - On the Complexity of Bayesian Generalization [141.21610899086392]
我々は、多様かつ自然な視覚スペクトルにおいて、概念一般化を大規模に考える。
問題空間が大きくなると、2つのモードが研究され、$complexity$が多様になる。
論文 参考訳(メタデータ) (2022-11-20T17:21:37Z) - Simplicial Quantum Gravity [0.0]
4次元の単純幾何は、平らな4次元の単純さを結合して構成される。
simplicial geometries 上の和 (sum over simplicial geometries) は、simplices をその端の長さの積分と結合できる微分的な方法の和である。
論文 参考訳(メタデータ) (2022-01-01T18:20:07Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳(メタデータ) (2021-10-28T14:59:41Z) - Model-free Representation Learning and Exploration in Low-rank MDPs [64.72023662543363]
低位mdpに対して,最初のモデルフリー表現学習アルゴリズムを提案する。
主要なアルゴリズムの貢献は新しいミニマックス表現の学習の目的です。
結果は複雑な環境にスケールする一般的な関数近似を収容できます。
論文 参考訳(メタデータ) (2021-02-14T00:06:54Z) - Mutual Information Maximization for Robust Plannable Representations [82.83676853746742]
モデルに基づく強化学習のための情報理論表現学習アルゴリズムMIROを提案する。
提案手法は, 邪魔や散らかったシーンの存在下で, 再建目的よりも頑健であることを示す。
論文 参考訳(メタデータ) (2020-05-16T21:58:47Z)
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。