論文の概要: Learning Graph Cellular Automata

• arxiv url: http://arxiv.org/abs/2110.14237v1
• Date: Wed, 27 Oct 2021 07:42:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-28 13:12:49.805086
• Title: Learning Graph Cellular Automata
• Title（参考訳）: 学習グラフセルオートマトン
• Authors: Daniele Grattarola, Lorenzo Livi, Cesare Alippi
• Abstract要約: 我々は、典型的なセルオートマトン(GCA)の一般化バージョンに焦点を当てる。 特に,従来のGAAの遷移規則を学習するために畳み込みニューラルネットワークを用いた以前の研究を拡張した。 有限かつ離散的な状態空間を持つ任意の GCA を表現可能であることを示す。
• 参考スコア（独自算出の注目度）: 25.520299226767946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cellular automata (CA) are a class of computational models that exhibit rich dynamics emerging from the local interaction of cells arranged in a regular lattice. In this work we focus on a generalised version of typical CA, called graph cellular automata (GCA), in which the lattice structure is replaced by an arbitrary graph. In particular, we extend previous work that used convolutional neural networks to learn the transition rule of conventional CA and we use graph neural networks to learn a variety of transition rules for GCA. First, we present a general-purpose architecture for learning GCA, and we show that it can represent any arbitrary GCA with finite and discrete state space. Then, we test our approach on three different tasks: 1) learning the transition rule of a GCA on a Voronoi tessellation; 2) imitating the behaviour of a group of flocking agents; 3) learning a rule that converges to a desired target state.
• Abstract（参考訳）: セルオートマトン(英: cellular automata、ca)は、細胞間の局所的な相互作用から生じるリッチなダイナミクスを示す計算モデルの一種である。 本研究では、格子構造を任意のグラフに置き換えるグラフセルオートマトン(GCA)と呼ばれる典型的なCAの一般化バージョンに焦点を当てる。 特に、畳み込みニューラルネットワークを用いて従来のCAの遷移規則を学習する以前の研究を拡張し、グラフニューラルネットワークを用いてGAAの様々な遷移規則を学習する。 まず, GCAを学習するための汎用アーキテクチャを提案し, 有限かつ離散的な状態空間を持つ任意の GCA を表現可能であることを示す。 そして、3つの異なるタスクでアプローチをテストする。 1) ボロノイ焼成によるGCAの遷移規則の学習 2) 群集エージェント群の行動の模倣 3) 所望の目標状態に収束する規則を学ぶこと。

関連論文リスト

• Convolutional Neural Networks for Automated Cellular Automaton Classification [0.0]
  コンピュータビジョン技術を用いて、5つのLi-Packardクラスに小セルオートマトンの自動分類を行う。 まず、これまで開発されたディープラーニングアプローチが、実際にローカル更新ルールを特定するために訓練されていることを示す。 次に、行動クラスを特定するのにほぼ完全に機能する畳み込みニューラルネットワークを示す。
  論文  参考訳（メタデータ） (2024-09-04T14:21:00Z)
• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• E(n)-equivariant Graph Neural Cellular Automata [4.168157981135698]
  我々は、E(n)-GNCAsと呼ばれる等方的オートマトンを提案する。 これらのモデルは軽量だが、それでも大きなグラフを扱い、複雑なダイナミクスを捉え、創発的な自己組織化行動を示すことができる。 3つのタスクにおいて,E(n)-GNCAの広範かつ良好な適用性を示す。
  論文  参考訳（メタデータ） (2023-01-25T10:17:07Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Generalization over different cellular automata rules learned by a deep feed-forward neural network [0.0]
  短い範囲のスキップ接続を持つ深層畳み込みエンコーダ・デコーダネットワークを、様々な生成された軌道上で訓練し、次のCA状態を予測する。 その結果、ネットワークは様々な複雑なセルオートマトン規則を学習し、見えない構成に一般化できることがわかった。
  論文  参考訳（メタデータ） (2021-03-27T12:12:07Z)
• Class-wise Dynamic Graph Convolution for Semantic Segmentation [63.08061813253613]
  本稿では,情報を適応的に伝達するクラスワイド動的グラフ畳み込み (CDGC) モジュールを提案する。 また、CDGCモジュールと基本セグメンテーションネットワークを含む2つの主要部分からなるCDGCNet(Class-wise Dynamic Graph Convolution Network)についても紹介する。 我々は,Cityscapes,PASCAL VOC 2012,COCO Stuffの3つの一般的なセマンティックセマンティックセマンティクスベンチマークについて広範な実験を行った。
  論文  参考訳（メタデータ） (2020-07-19T15:26:50Z)
• Connecting Graph Convolutional Networks and Graph-Regularized PCA [23.592657600394215]
  GCNモデルのグラフ畳み込み演算子は、もともとスペクトルグラフ畳み込みの局所化一階近似から動機付けられたものである。 グラフ畳み込みとグラフ正規化PCA(GPCA)のテキスト数学的接続を確立する。
  論文  参考訳（メタデータ） (2020-06-22T14:27:02Z)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)

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。