Fugu-MT 論文翻訳(概要): Awardee Solution of KDD Cup 2021 OGB Large-Scale Challenge Graph-Level Track

論文の概要: Awardee Solution of KDD Cup 2021 OGB Large-Scale Challenge Graph-Level Track

arxiv url: http://arxiv.org/abs/2106.08279v1
Date: Tue, 15 Jun 2021 16:45:31 GMT
ステータス: 処理完了
システム内更新日: 2021-06-16 17:50:24.272093
Title: Awardee Solution of KDD Cup 2021 OGB Large-Scale Challenge Graph-Level Track
Title（参考訳）: KDDカップ2021OGB大規模チャレンジレベルグラフトラックの受賞解
Authors: Chengxuan Ying, Mingqi Yang, Shuxin Zheng, Guolin Ke, Shengjie Luo, Tianle Cai, Chenglin Wu, Yuxin Wang, Yanming Shen, Di He
Abstract要約: KDD Cup 2021 OGB Large-Scale Challenge - PCQM4M-LSC Track 我々は、基本モデルとしてGraphormerとExpCを採用し、各モデルを8倍のクロスバリデーションでトレーニングし、異なるランダムシードでトレーニングと検証セットの結合について2つのGraphormerモデルをトレーニングする。最終的な提出にあたっては,これらの18モデルに対して,平均出力を採算してナイーブアンサンブルを使用する。我々の手法を用いて,我々のチームはテストセットで0.1200 MAEを達成した。
参考スコア（独自算出の注目度）: 22.19732587160729
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this technical report, we present our solution of KDD Cup 2021 OGB Large-Scale Challenge - PCQM4M-LSC Track. We adopt Graphormer and ExpC as our basic models. We train each model by 8-fold cross-validation, and additionally train two Graphormer models on the union of training and validation sets with different random seeds. For final submission, we use a naive ensemble for these 18 models by taking average of their outputs. Using our method, our team MachineLearning achieved 0.1200 MAE on test set.
Abstract（参考訳）: 本稿では,KDD Cup 2021 OGB Large-Scale Challenge - PCQM4M-LSC Trackについて述べる。 GraphormerとExpCを基本モデルとして採用しています。各モデルを8倍のクロスバリデーションでトレーニングし、さらにランダムシードの異なるトレーニングセットと検証セットの組み合わせで2つのグラフマーモデルをトレーニングします。最後に、これらの18モデルに対して、出力の平均を取ることで、ナイーブアンサンブルを使用します。私たちのチームでは,テストセットで0.1200 MAEを達成した。

関連論文リスト

Truncated Consistency Models [57.50243901368328]
トレーニング一貫性モデルは、PF ODE 軌道に沿ったすべての中間点を対応するエンドポイントにマッピングする学習を必要とする。このトレーニングパラダイムが一貫性モデルの1ステップ生成性能を制限することを実証的に見出した。整合性関数の新しいパラメータ化と2段階の訓練手順を提案し,時間外学習が崩壊することを防ぐ。
論文参考訳（メタデータ） (2024-10-18T22:38:08Z)
Combining Hough Transform and Deep Learning Approaches to Reconstruct ECG Signals From Printouts [2.374912052693646]
この研究は、2024年のGeorge B. Moody PhysioNet Challengeに対する私たちのチームの勝利の貢献を示します。チャレンジには2つの目標があった: 印刷物から心電図信号を再構成し、それらを心臓病に分類する。本モデルでは, CV信号対雑音平均比17.02, 隠しセットにおける公式チャレンジスコア12.15を達成し, 競技における第1位を確保した。
論文参考訳（メタデータ） (2024-10-18T05:36:24Z)
Connecting the Dots: Collaborative Fine-tuning for Black-Box Vision-Language Models [121.0693322732454]
本稿では,下流タスクに対するブラックボックス視覚言語モデルの微調整のための textbfCraFT' アプローチを提案する。 CraFTは、2つのモジュールと、テキストプロンプトを学習するプロンプト生成モジュールと、残差スタイルの出力予測を強化する予測改善モジュールとから構成される。 15以上のデータセットに対する数ショットの分類実験は、CraFTの優位性を示している。
論文参考訳（メタデータ） (2024-02-06T14:53:19Z)
BESS: Balanced Entity Sampling and Sharing for Large-Scale Knowledge Graph Completion [1.083504248254529]
我々は、OGB-LSC@NeurIPS 2022のWikiKG90Mv2トラックに受賞申請を提示する。このタスクは、90M+ノードと600M+エッジからなる大規模知識グラフWikiKG90Mv2上のリンク予測である。
論文参考訳（メタデータ） (2022-11-22T13:51:33Z)
Heterogenous Ensemble of Models for Molecular Property Prediction [55.91865861896012]
分子の異なるモーダル性を考える手法を提案する。これらのモデルをHuberRegressorでアンサンブルします。これにより、OGB Large-Scale Challenge (2022)の2textsuperscriptndエディションの勝利のソリューションが得られる。
論文参考訳（メタデータ） (2022-11-20T17:25:26Z)
The ReturnZero System for VoxCeleb Speaker Recognition Challenge 2022 [0.0]
RTZR VoxCeleb Speaker Recognition Challenge 2022 (VoxSRC-22) の上位候補について述べる。最上位のシステムは7つのモデルの融合であり、3種類のモデルアーキテクチャを含んでいる。最後の提出はVoxSRC22テストセットで0.165 DCFと2.912% EERを達成した。
論文参考訳（メタデータ） (2022-09-21T06:54:24Z)
An Empirical Study of Graphormer on Large-Scale Molecular Modeling Datasets [87.00711479972503]
グラフマー-V2」は、バニラモデルよりも大規模な分子モデルデータセットにおいてより良い結果が得られる可能性がある。グローバルな受信フィールドとアダプティブアグリゲーション戦略により、Graphormerは従来のメッセージパッシングベースのGNNよりも強力である。
論文参考訳（メタデータ） (2022-02-28T16:32:42Z)
Ensembling Off-the-shelf Models for GAN Training [55.34705213104182]
事前学習されたコンピュータビジョンモデルは、識別器のアンサンブルで使用する場合、性能を著しく向上させることができる。本研究では,事前学習したモデル埋め込みにおける実検体と偽検体間の線形分離性を検証し,効率的な選択機構を提案する。本手法は, 限られたデータと大規模設定の両方において, GAN トレーニングを改善することができる。
論文参考訳（メタデータ） (2021-12-16T18:59:50Z)
2nd Place Solution for SODA10M Challenge 2021 -- Continual Detection Track [35.06282647572304]
ResNet50-FPNをベースラインとして採用し、最終的な提案モデルのいくつかの改善を試みる。タスク固有のリプレイ方式,学習率スケジューリング,モデルキャリブレーション,原画像スケールの使用により,画像中の大小オブジェクトの性能向上が期待できる。
論文参考訳（メタデータ） (2021-10-25T15:58:19Z)
Technical Report of Team GraphMIRAcles in the WikiKG90M-LSC Track of OGB-LSC @ KDD Cup 2021 [27.8022454323604]
本稿では,基本モデルComplEx-CMRC,ルールマイナAMIE 3,および不足リンクを予測する推論モデルを統合するフレームワークを提案する。実験の結果,テストデータセット上でのMRRは0.9707であることがわかった。
論文参考訳（メタデータ） (2021-07-12T14:44:16Z)
Two-Stream Consensus Network: Submission to HACS Challenge 2021 Weakly-Supervised Learning Track [78.64815984927425]
弱い監督による時間的行動ローカライゼーションの目標は、ビデオの興味ある動作を時間的に特定し、分類することである。この課題では,2ストリームコンセンサスネットワーク(TSCN)を主要なフレームワークとして採用しています。この課題では,本手法が今後の学術研究のベースラインとなることを期待して,第2位にランクインした。
論文参考訳（メタデータ） (2021-06-21T03:36:36Z)

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。