Fugu-MT 論文翻訳(概要): Point classification with Runge-Kutta networks and feature space augmentation

論文の概要: Point classification with Runge-Kutta networks and feature space augmentation

arxiv url: http://arxiv.org/abs/2104.02369v1
Date: Tue, 6 Apr 2021 08:54:30 GMT
ステータス: 処理完了
システム内更新日: 2021-04-07 13:51:21.180215
Title: Point classification with Runge-Kutta networks and feature space augmentation
Title（参考訳）: Runge-Kuttaネットワークを用いた点分類と特徴空間拡張
Authors: Elisa Giesecke and Axel Kr\"oner
Abstract要約: 本稿では,[emphBenning et al., J. Comput で検討された Runge-Kutta Nets に基づくアプローチを組み合わせる。ダイナミクス, 9, 2019] と [emphDupont et al., NeurIPS, 2019] の入力空間を強化する技術により,点分類問題における深層ニューラルネットワークの数値性能を向上するネットワークアーキテクチャが得られた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we combine an approach based on Runge-Kutta Nets considered in [\emph{Benning et al., J. Comput. Dynamics, 9, 2019}] and a technique on augmenting the input space in [\emph{Dupont et al., NeurIPS}, 2019] to obtain network architectures which show a better numerical performance for deep neural networks in point classification problems. The approach is illustrated with several examples implemented in PyTorch.
Abstract（参考訳）: 本稿では,[\emph{benning et al., j. comput で考慮されたrunge-kuttaネットに基づくアプローチを組み合わせる。 dynamics, 9, 2019}]および[\emph{dupont et al., neurips}, 2019]における入力空間の強化技術により、ポイント分類問題におけるディープニューラルネットワークの数値的性能が向上するネットワークアーキテクチャが得られた。このアプローチは、PyTorchで実装されたいくつかの例で説明されています。

関連論文リスト

GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-01-17T13:04:23Z)
Training Convolutional Neural Networks with the Forward-Forward algorithm [1.74440662023704]
Forward Forward (FF)アルゴリズムは、現在まで完全に接続されたネットワークでしか使われていない。 FFパラダイムをCNNに拡張する方法を示す。我々のFF学習したCNNは、空間的に拡張された新しいラベリング手法を特徴とし、MNISTの手書き桁データセットにおいて99.16%の分類精度を実現している。
論文参考訳（メタデータ） (2023-12-22T18:56:35Z)
Learning point embedding for 3D data processing [2.12121796606941]
現在の点ベース法は本質的に空間関係処理ネットワークである。 PE-Netは高次元空間における点雲の表現を学習する。実験によると、PE-Netは複数の挑戦的なデータセットで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） (2021-07-19T00:25:28Z)
Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文参考訳（メタデータ） (2021-07-03T01:28:42Z)
Local Critic Training for Model-Parallel Learning of Deep Neural Networks [94.69202357137452]
そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
論文参考訳（メタデータ） (2021-02-03T09:30:45Z)
Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
論文参考訳（メタデータ） (2020-12-10T22:30:25Z)
Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文参考訳（メタデータ） (2020-10-02T16:50:26Z)
DINE: A Framework for Deep Incomplete Network Embedding [33.97952453310253]
本稿では,ディープ不完全ネットワーク埋め込み,すなわちDINEを提案する。まず、期待最大化フレームワークを用いて、部分的に観測可能なネットワーク内のノードとエッジの両方を含む欠落部分を完成させる。マルチラベル分類およびリンク予測タスクにおいて,DINEを3つのネットワーク上で評価する。
論文参考訳（メタデータ） (2020-08-09T04:59:35Z)
Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文参考訳（メタデータ） (2020-06-23T04:13:23Z)

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。