Fugu-MT 論文翻訳(概要): Bridge Networks

論文の概要: Bridge Networks

arxiv url: http://arxiv.org/abs/2106.08446v1
Date: Tue, 15 Jun 2021 21:39:34 GMT
ステータス: 処理完了
システム内更新日: 2021-06-17 17:18:59.793634
Title: Bridge Networks
Title（参考訳）: 橋梁網
Authors: Wilkie Olin-Ammentorp, Maxim Bazhenov
Abstract要約: 現在のディープラーニング手法は、いくつかの重要な課題に直面している。これには、高エネルギー消費、破滅的な忘れ込み、世界的な損失への依存、象徴的な推論ができないことなどが含まれる。我々は,新しい情報処理アーキテクチャである「ブリッジネットワーク」を提案し,実装する。
参考スコア（独自算出の注目度）: 3.616948583169635
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Despite rapid progress, current deep learning methods face a number of critical challenges. These include high energy consumption, catastrophic forgetting, dependance on global losses, and an inability to reason symbolically. By combining concepts from information bottleneck theory and vector-symbolic architectures, we propose and implement a novel information processing architecture, the 'Bridge network.' We show this architecture provides unique advantages which can address the problem of global losses and catastrophic forgetting. Furthermore, we argue that it provides a further basis for increasing energy efficiency of execution and the ability to reason symbolically.
Abstract（参考訳）: 急速な進歩にもかかわらず、現在のディープラーニング手法は多くの重要な課題に直面している。これには、高エネルギー消費、破滅的な忘れ込み、世界的な損失への依存、象徴的な推論ができないことなどが含まれる。情報ボトルネック理論とベクトル記号型アーキテクチャの概念を組み合わせることで,新しい情報処理アーキテクチャ「ブリッジネットワーク」を提案し,実装する。このアーキテクチャは、グローバルな損失と破滅的な忘れの問題に対処できるユニークなアドバンテージを提供する。さらに、実行のエネルギー効率の向上と象徴的に推論する能力のさらなる基礎を提供していると論じている。

関連論文リスト

Neuromorphic IoT Architecture for Efficient Water Management: A Smart Village Case Study [6.302177333213775]
従来のIoTシステムは、高い通信オーバーヘッドとかなりのエネルギー消費に悩まされることが多い。本研究は生物学的システムにインスパイアされたニューロモルフィックアーキテクチャを提案する。我々は,ノイハウスのカリンチア地域の水管理に焦点をあてた事例研究を行った。
論文参考訳（メタデータ） (2024-10-25T13:51:34Z)
Foundations and Frontiers of Graph Learning Theory [81.39078977407719]
グラフ学習の最近の進歩は、複雑な構造を持つデータを理解し分析する方法に革命をもたらした。グラフニューラルネットワーク(GNN)、すなわちグラフ表現を学習するために設計されたニューラルネットワークアーキテクチャは、一般的なパラダイムとなっている。本稿では,グラフ学習モデルに固有の近似と学習行動に関する理論的基礎とブレークスルーについて概説する。
論文参考訳（メタデータ） (2024-07-03T14:07:41Z)
Unsupervised Graph Neural Architecture Search with Disentangled Self-supervision [51.88848982611515]
教師なしグラフニューラルアーキテクチャサーチは、文献では未発見のままである。本稿では,Distangled Self-supervised Graph Neural Architecture Searchモデルを提案する。我々のモデルは、教師なしの方法で、いくつかのベースライン手法に対して最先端のパフォーマンスを達成することができる。
論文参考訳（メタデータ） (2024-03-08T05:23:55Z)
Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
可塑性の喪失は複数の独立したメカニズムに分解できることを示す。種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
論文参考訳（メタデータ） (2024-02-29T00:02:33Z)
The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
論文参考訳（メタデータ） (2024-02-02T20:33:14Z)
Enhancing Network Resilience through Machine Learning-powered Graph Combinatorial Optimization: Applications in Cyber Defense and Information Diffusion [0.0]
この論文は、ネットワークのレジリエンスを高める効果的なアプローチの開発に焦点を当てている。ネットワークのレジリエンスを高めるための既存のアプローチは、ネットワーク内のボトルネックノードとエッジを決定することを強調する。この論文は、ネットワーク内のボトルネックノードとエッジを発見するための効率的で効率的でスケーラブルなテクニックを設計することを目的としている。
論文参考訳（メタデータ） (2023-09-22T01:48:28Z)
Detecting Vulnerable Nodes in Urban Infrastructure Interdependent Network [30.78792992230233]
我々は、相互依存型ネットワークを異種グラフとしてモデル化し、強化学習を用いたグラフニューラルネットワークに基づくシステムを提案する。提案システムは,深層学習技術を活用して異種グラフを解析し,カスケード故障のリスクを把握し,都市の脆弱なインフラを発見する。
論文参考訳（メタデータ） (2023-07-19T09:53:56Z)
RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。本稿では,注目ブロックを効率的に活用する新しい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） (2022-11-17T11:06:29Z)
Mastering Spatial Graph Prediction of Road Networks [18.321172168775472]
グラフエッジの列の追加をシミュレートするグラフベースのフレームワークを提案する。特に、衛星画像に関連する部分生成グラフが与えられた場合、RLエージェントは累積報酬を最大化する修正を通知する。
論文参考訳（メタデータ） (2022-10-03T11:26:09Z)
Impact of Aliasing on Generalization in Deep Convolutional Networks [29.41652467340308]
深層畳み込みネットワークの一般化におけるエイリアスの影響について検討する。キー位置で非トレーニング可能な低域通過フィルタを挿入することでエイリアスを緩和する方法を示す。
論文参考訳（メタデータ） (2021-08-07T17:12:03Z)
Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文参考訳（メタデータ） (2020-09-28T17:55:04Z)

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。