論文の概要: Graph Tree Deductive Networks

• arxiv url: http://arxiv.org/abs/2111.01431v1
• Date: Tue, 2 Nov 2021 08:47:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 14:10:20.391275
• Title: Graph Tree Deductive Networks
• Title（参考訳）: グラフ・ツリー・デダクティブ・ネットワーク
• Authors: Seokjun Kim, Jaeeun Jang, Hyeoncheol Kim
• Abstract要約: 帰納的推論を行うネットワークであるGraph Tree Deductive Networksを紹介する。 様々な公理を組み合わせ、結果を別の公理に戻す高次元的思考が必要である。
• 参考スコア（独自算出の注目度）: 0.483420384410068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce Graph Tree Deductive Networks, a network that performs deductive reasoning. To have high-dimensional thinking, combining various axioms and putting the results back into another axiom is necessary to produce new relationships and results. For example, it would be given two propositions: "Socrates is a man." and "All men are mortals." and two propositions could be used to infer the new proposition, "Therefore Socrates is mortal.". To evaluate, we used MNIST Dataset, a handwritten numerical image dataset, to apply it to the group theory and show the results of performing deductive learning.
• Abstract（参考訳）: 本稿では,帰納的推論を行うネットワークであるGraph Tree Deductive Networksを紹介する。 様々な公理を組み合わせ、結果を別の公理に戻す高次元思考は、新たな関係や結果を生み出すために必要である。 例えば、"Socrates is a man"と"All men are mortals"という2つの命題が与えられ、新しい命題である"Therefore Socrates is mortal"を推測するために2つの命題が用いられる。 評価のために,手書きの数値画像データセットであるMNIST Datasetを用いて群理論に適用し,帰納学習の結果を示した。

関連論文リスト

• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• Unwrapping All ReLU Networks [1.370633147306388]
  Deep ReLU Networksは線形モデルの集合に分解できる。 この分解をグラフニューラルネットワークやテンソル畳み込みネットワークに拡張する。 このモデルが、より安価で正確なSHAP値に繋がることを示す。
  論文  参考訳（メタデータ） (2023-05-16T13:30:15Z)
• STERLING: Synergistic Representation Learning on Bipartite Graphs [78.86064828220613]
  二部グラフ表現学習の基本的な課題は、ノードの埋め込みを抽出する方法である。 最近の二部グラフSSL法は、正ノード対と負ノード対を識別することによって埋め込みを学習する対照的な学習に基づいている。 負のノードペアを持たないノード埋め込みを学習するための新しい相乗的表現学習モデル(STERling)を提案する。
  論文  参考訳（メタデータ） (2023-01-25T03:21:42Z)
• Inductive Logical Query Answering in Knowledge Graphs [30.220508024471595]
  本研究では、新しいエンティティを含むグラフ上で推論を行う帰納的クエリ応答タスクについて検討する。 グラフニューラルネットワーク(GNN)を用いた帰納的ノードと関係構造表現の2つのメカニズムを考案する。 実験により、帰納的モデルは、学習ノードよりも最大500%大きいグラフに一般化した未確認ノードに対して、推論時間で論理的推論を行うことができることを示した。
  論文  参考訳（メタデータ） (2022-10-13T03:53:34Z)
• An Open Challenge for Inductive Link Prediction on Knowledge Graphs [0.7960322329952452]
  知識グラフ(KG)に対する表現学習の新たなトレンドは、帰納的リンク予測タスクを越えている。 関心が高まっているにもかかわらず、帰納的表現学習手法を評価するには十分なベンチマークがない。 我々は,KGインダクティブリンク予測の新しいオープンチャレンジであるILPC 2022を紹介する。
  論文  参考訳（メタデータ） (2022-03-03T05:24:09Z)
• Abstraction, Reasoning and Deep Learning: A Study of the "Look and Say" Sequence [0.0]
  ディープニューラルネットワークは、大規模なデータセットでトレーニングされた場合、高い能力(精度で測定される)を示すことができる。 パズルデータ「Look and Say」の2つのセット実験について報告する。 トレーニングデータとテストデータの両方で)驚くべき精度にもかかわらず、実際のL&Sシーケンス上でのトレーニングプログラムのパフォーマンスは悪いです。
  論文  参考訳（メタデータ） (2021-09-27T01:41:37Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Simple Graph Convolutional Networks [72.92604941595019]
  単一層グラフ畳み込みネットワークで実装可能な単純なグラフ畳み込み演算子を提案する。 我々の畳み込み演算子は、文献における多くの提案よりも理論的に基礎を置いており、検討されたベンチマークデータセットに最先端の予測性能を示す。
  論文  参考訳（メタデータ） (2021-06-10T15:23:59Z)
• Could you give me a hint? Generating inference graphs for defeasible reasoning [28.138055274299866]
  哲学やAI文学でよく使われる手法は、推論グラフをサポートする手作業による議論である。 本稿では,他のNLPタスクからの移動学習を通じて,このような推論グラフを自動生成する。 このタスクにおける人間の正確性は、生成されたグラフのコンサルティングによって20%向上する。
  論文  参考訳（メタデータ） (2021-05-12T04:04:10Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)
• Can Graph Neural Networks Count Substructures? [53.256112515435355]
  グラフニューラルネットワーク(GNN)の能力について,属性付きグラフサブ構造をカウントする能力を用いて検討する。 我々は2種類のサブストラクチャカウントを区別する: インダクションサブグラフカウントとサブグラフカウント、および人気のあるGNNアーキテクチャに対する肯定的および否定的な回答である。
  論文  参考訳（メタデータ） (2020-02-10T18:53:30Z)

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。