Fugu-MT 論文翻訳(概要): Bermuda Triangles: GNNs Fail to Detect Simple Topological Structures

論文の概要: Bermuda Triangles: GNNs Fail to Detect Simple Topological Structures

arxiv url: http://arxiv.org/abs/2105.00134v1
Date: Sat, 1 May 2021 00:47:37 GMT
ステータス: 処理完了
システム内更新日: 2021-05-06 04:27:05.840920
Title: Bermuda Triangles: GNNs Fail to Detect Simple Topological Structures
Title（参考訳）: バミューダのトライアングル:GNNは単純なトポロジ構造を検出できない
Authors: Arseny Tolmachev, Akira Sakai, Masaru Todoriki, Koji Maruhashi
Abstract要約: 我々は2つの合成タスクを設計し、純粋に位相問題に焦点をあてる。グラフニューラルネットワークは,三角形検出とクランク距離タスクにおいて驚くほどよく機能することを示す。 datasheets and their generation script は triangles.com/fujitsulaboratories/bermudatriangles と dataset.labs.fujitsu.com で公開されている。
参考スコア（独自算出の注目度）: 2.223008984536909
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Most graph neural network architectures work by message-passing node vector embeddings over the adjacency matrix, and it is assumed that they capture graph topology by doing that. We design two synthetic tasks, focusing purely on topological problems -- triangle detection and clique distance -- on which graph neural networks perform surprisingly badly, failing to detect those "bermuda" triangles. Datasets and their generation scripts are publicly available on github.com/FujitsuLaboratories/bermudatriangles and dataset.labs.fujitsu.com.
Abstract（参考訳）: ほとんどのグラフニューラルネットワークアーキテクチャは、隣接行列上のメッセージパスノードベクトルの埋め込みによって機能し、それをすることでグラフトポロジを捉えると仮定される。私たちは2つの合成タスクをデザインし、純粋にトライアングル検出とクランク距離という、グラフニューラルネットワークのパフォーマンスが驚くほど悪く、これらの「ベルムダ」トライアングルの検出に失敗したトポロジカルな問題に焦点を当てた。 Datasetsとその生成スクリプトはgithub.com/FujitsuLaboratories/bermudatriangles and dataset.labs.fujitsu.comで公開されている。

関連論文リスト

Formal Verification of Graph Convolutional Networks with Uncertain Node Features and Uncertain Graph Structure [7.133681867718039]
グラフニューラルネットワークは、機械学習の分野でますます人気が高まっている。これらは、摂動が本質的に起こる安全クリティカルな環境に適用されている。本研究は、基礎となる計算におけるすべての要素の依存関係を保存することによって、非通過ギャップに対処する。
論文参考訳（メタデータ） (2024-04-23T14:12:48Z)
Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
UniG-Encoder: A Universal Feature Encoder for Graph and Hypergraph Node Classification [6.977634174845066]
グラフおよびハイパーグラフ表現学習のための普遍的特徴エンコーダ(UniG-Encoder)が設計されている。アーキテクチャは、連結ノードのトポロジ的関係をエッジやハイパーエッジに前方変換することから始まる。符号化されたノードの埋め込みは、投影行列の変換によって記述された逆変換から導かれる。
論文参考訳（メタデータ） (2023-08-03T09:32:50Z)
CircNet: Meshing 3D Point Clouds with Circumcenter Detection [67.23307214942696]
3次元点雲を三角形メッシュに再構成することは、計算幾何学と表面再構成の重要な問題である。我々は,点雲三角測量を実現するために,周辺を検知するディープニューラルネットワークを導入する。我々は水密面と開面面の両方の顕著なデータセットに対して本手法の有効性を検証した。
論文参考訳（メタデータ） (2023-01-23T03:32:57Z)
Hierarchical Graph Networks for 3D Human Pose Estimation [50.600944798627786]
最近の2次元から3次元の人間のポーズ推定は、人間の骨格のトポロジーによって形成されたグラフ構造を利用する傾向がある。この骨格トポロジーは体の構造を反映するには小さすぎるため、重度の2次元から3次元のあいまいさに悩まされていると我々は主張する。本稿では,これらの弱点を克服するために,新しいグラフ畳み込みネットワークアーキテクチャである階層グラフネットワークを提案する。
論文参考訳（メタデータ） (2021-11-23T15:09:03Z)
Rethinking Graph Neural Network Search from Message-passing [120.62373472087651]
本稿では,新しい検索空間を設計したグラフニューラルアーキテクチャサーチ(GNAS)を提案する。グラフニューラルアーキテクチャパラダイム(GAP:Graph Neural Architecture Paradigm)をツリートポロジー計算手順と2種類の微粒原子操作で設計します。実験では、GNASは複数のメッセージ通過機構と最適なメッセージ通過深さを持つより良いGNNを探索できることを示しています。
論文参考訳（メタデータ） (2021-03-26T06:10:41Z)
Deep Geometric Texture Synthesis [83.9404865744028]
幾何学的テクスチャを合成するための新しい枠組みを提案する。単一の参照3Dモデルの局所的な近傍からテクスチャ統計を学習する。我々のネットワークはメッシュ頂点を任意の方向に変位させ、幾何学的テクスチャの合成を可能にする。
論文参考訳（メタデータ） (2020-06-30T19:36:38Z)
PointTriNet: Learned Triangulation of 3D Point Sets [40.75010796720054]
本研究は幾何学的深層学習における新しい課題について考察する。 PointTriNetは,3次元学習パイプラインのレイヤとしてポイントセット三角測量を可能にする,微分可能かつスケーラブルなアプローチである。
論文参考訳（メタデータ） (2020-04-19T01:58:35Z)
Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud [3.04585143845864]
本稿では,LiDAR点雲から物体を検出するグラフニューラルネットワークを提案する。我々は、その点雲を近辺の固定半径グラフに効率よくエンコードする。 Point-GNNでは,翻訳のばらつきを低減する自動登録機構を提案する。
論文参考訳（メタデータ） (2020-03-02T23:44:12Z)
PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文参考訳（メタデータ） (2020-02-24T14:13:29Z)
Geom-GCN: Geometric Graph Convolutional Networks [15.783571061254847]
本稿では,この2つの弱点を克服するために,グラフニューラルネットワークのための新しい幾何集約手法を提案する。提案したアグリゲーションスキームは置換不変であり、ノード埋め込み、構造近傍、二レベルアグリゲーションという3つのモジュールから構成される。また,このスキームをGeom-GCNと呼ばれるグラフ畳み込みネットワークに実装し,グラフ上でトランスダクティブ学習を行う。
論文参考訳（メタデータ） (2020-02-13T00:03:09Z)

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。