論文の概要: SpikE: spike-based embeddings for multi-relational graph data

• arxiv url: http://arxiv.org/abs/2104.13398v1
• Date: Tue, 27 Apr 2021 18:00:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-29 23:02:09.788606
• Title: SpikE: spike-based embeddings for multi-relational graph data
• Title（参考訳）: SpikE:マルチリレーショナルグラフデータのためのスパイクベースの埋め込み
• Authors: Dominik Dold, Josep Soler Garrido
• Abstract要約: スパイクニューラルネットワークは、感覚処理から生じるタスクに主に適用されます。 業界や研究に幅広く適用されている豊富なデータ表現は、いわゆるナレッジグラフです。 本稿では,グラフ中のノードをニューロン集団の単一スパイク時間で表すスパイクベースのアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the recent success of reconciling spike-based coding with the error backpropagation algorithm, spiking neural networks are still mostly applied to tasks stemming from sensory processing, operating on traditional data structures like visual or auditory data. A rich data representation that finds wide application in industry and research is the so-called knowledge graph - a graph-based structure where entities are depicted as nodes and relations between them as edges. Complex systems like molecules, social networks and industrial factory systems can be described using the common language of knowledge graphs, allowing the usage of graph embedding algorithms to make context-aware predictions in these information-packed environments. We propose a spike-based algorithm where nodes in a graph are represented by single spike times of neuron populations and relations as spike time differences between populations. Learning such spike-based embeddings only requires knowledge about spike times and spike time differences, compatible with recently proposed frameworks for training spiking neural networks. The presented model is easily mapped to current neuromorphic hardware systems and thereby moves inference on knowledge graphs into a domain where these architectures thrive, unlocking a promising industrial application area for this technology.
• Abstract（参考訳）: 近年のスパイクベースのコーディングとエラーバックプロパゲーションアルゴリズムの整合性の成功にもかかわらず、スパイクニューラルネットワークはいまだに、視覚や聴覚データといった従来のデータ構造を操作する感覚処理から生じるタスクに応用されている。 産業や研究の幅広い応用を見出すリッチなデータ表現は、いわゆるナレッジグラフであり、エンティティをノードとして表現し、それらの間の関係をエッジとして表現するグラフベースの構造である。 分子、ソーシャルネットワーク、産業工場システムといった複雑なシステムは、知識グラフの共通言語を使用して記述することができ、グラフ埋め込みアルゴリズムを使うことで、これらの情報パックされた環境でコンテキスト認識予測が可能になる。 本稿では,グラフ内のノードをニューロン集団の単一のスパイク時間で表現し,個体群間のスパイク時間差としての関係を表現したスパイクに基づくアルゴリズムを提案する。 このようなスパイクベースの埋め込みを学習するには、スパイク時間とスパイク時間の違いに関する知識が必要である。 提示されたモデルは、現在のニューロモルフィックハードウェアシステムに容易にマッピングされ、知識グラフの推論をこれらのアーキテクチャが成長する領域に移し、この技術のための有望な産業応用領域を開放する。

関連論文リスト

• 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)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Neuro-symbolic computing with spiking neural networks [0.6035125735474387]
  我々は、スパイクベースのグラフアルゴリズムに関するこれまでの研究を、スパイクニューロンを用いてシンボリックおよびマルチリレーショナル情報をエンコードする方法を実証することによって拡張した。 導入されたフレームワークは、グラフ埋め込みパラダイムと、エラーバックプロパゲーションを用いたスパイクニューラルネットワークのトレーニングの最近の進歩を組み合わせることで実現されている。
  論文  参考訳（メタデータ） (2022-08-04T10:49:34Z)
• Relational representation learning with spike trains [0.0]
  本稿では,スパイクパターンの時間領域を完全に活用することで,知識グラフのスパイクトレインによる埋め込みを学習できるモデルを提案する。 以上の結果から,リレーショナル知識をスパイクベースシステムに統合することで,イベントベースコンピューティングとデータをマージして,パワフルでエネルギー効率の高い人工知能アプリケーションや推論システムを構築する可能性を明らかにする。
  論文  参考訳（メタデータ） (2022-05-18T18:00:37Z)
• 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)
• Exploiting Heterogeneous Graph Neural Networks with Latent Worker/Task Correlation Information for Label Aggregation in Crowdsourcing [72.34616482076572]
  クラウドソーシングは専門家ではなく、専門家でない労働者からラベルを集めるのに便利であることから、多くの注目を集めている。 群集ラベルを集約するグラフニューラルネットワークに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-25T10:12:37Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。