Fugu-MT 論文翻訳(概要): Weisfeiler and Leman go Machine Learning: The Story so far

論文の概要: Weisfeiler and Leman go Machine Learning: The Story so far

arxiv url: http://arxiv.org/abs/2112.09992v1
Date: Sat, 18 Dec 2021 20:14:11 GMT
ステータス: 処理完了
システム内更新日: 2021-12-21 16:13:29.441188
Title: Weisfeiler and Leman go Machine Learning: The Story so far
Title（参考訳）: weisfeiler氏とleman go machine learning - これまでの話
Authors: Christopher Morris, Yaron Lipman, Haggai Maron, Bastian Rieck, Nils M. Kriege, Martin Grohe, Matthias Fey, Karsten Borgwardt
Abstract要約: Wesfeiler-Lemanアルゴリズムの機械学習環境における利用について概観する。理論的背景を議論し、グラフとノード表現の教師付き学習にそれを使う方法を示し、最近の拡張について議論し、アルゴリズムの(置換-)同変ニューラルアーキテクチャとの関係を概説する。
参考スコア（独自算出の注目度）: 41.069698435199705
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, algorithms and neural architectures based on the Weisfeiler-Leman algorithm, a well-known heuristic for the graph isomorphism problem, emerged as a powerful tool for machine learning with graphs and relational data. Here, we give a comprehensive overview of the algorithm's use in a machine learning setting, focusing on the supervised regime. We discuss the theoretical background, show how to use it for supervised graph- and node representation learning, discuss recent extensions, and outline the algorithm's connection to (permutation-)equivariant neural architectures. Moreover, we give an overview of current applications and future directions to stimulate further research.
Abstract（参考訳）: 近年、グラフ同型問題に対する有名なヒューリスティックであるWeisfeiler-Lemanアルゴリズムに基づくアルゴリズムとニューラルネットワークが、グラフと関係データを用いた機械学習の強力なツールとして登場した。本稿では,教師付きシステムに着目し,機械学習環境におけるアルゴリズムの利用状況について概観する。理論的な背景を議論し,教師付きグラフおよびノード表現学習に使用する方法を示し,最近の拡張について論じ,アルゴリズムと(置換-)同変ニューラルネットワークとの関連を概説する。さらに,今後の研究を刺激するための現在の応用状況と今後の方向性について概説する。

関連論文リスト

A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文参考訳（メタデータ） (2024-09-18T14:57:13Z)
Reasoning Algorithmically in Graph Neural Networks [1.8130068086063336]
ニューラルネットワークの適応学習能力にアルゴリズムの構造的および規則に基づく推論を統合することを目的としている。この論文は、この領域の研究に理論的および実践的な貢献を提供する。
論文参考訳（メタデータ） (2024-02-21T12:16:51Z)
Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文参考訳（メタデータ） (2024-02-20T15:23:24Z)
A Theory of Link Prediction via Relational Weisfeiler-Leman on Knowledge Graphs [6.379544211152605]
グラフニューラルネットワークは、グラフ構造化データ上での表現学習のための顕著なモデルである。私たちの目標は、知識グラフのためのグラフニューラルネットワークのランドスケープを体系的に理解することです。
論文参考訳（メタデータ） (2023-02-04T17:40:03Z)
State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文参考訳（メタデータ） (2023-01-14T09:15:49Z)
Bayesian Deep Learning for Graphs [6.497816402045099]
論文は、この分野のほとんどのメソッドが構築される原則のレビューから始まり、続いてグラフ分類問題の研究が続く。そこから、ディープアーキテクチャを漸進的に構築することで、グラフのディープラーニングに関する基本的なアイデアをベイジアンの世界に橋渡しします。このフレームワークにより、離散的かつ連続的なエッジ特徴を持つグラフを考慮し、いくつかの分類タスクで最先端に達するのに十分な教師なしの埋め込みを生成することができる。
論文参考訳（メタデータ） (2022-02-24T20:18:41Z)
Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
本稿では,グラフ機械学習の自動手法について論じる。当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
論文参考訳（メタデータ） (2022-01-04T18:31:31Z)
Learning through structure: towards deep neuromorphic knowledge graph embeddings [0.5906031288935515]
本稿では,知識グラフ推論のための深層グラフ学習アーキテクチャをニューロモルフィックアーキテクチャにマッピングする戦略を提案する。ランダムかつ未学習のグラフニューラルネットワークが局所的なグラフ構造を保存することができるという知見に基づいて、凍結したニューラルネットワークの浅い知識グラフ埋め込みモデルを構成する。我々は,従来型のハードウェア上では,性能水準を維持しながら,高速化とメモリの大幅な削減を実現していることを示す。
論文参考訳（メタデータ） (2021-09-21T18:01:04Z)
The Power of the Weisfeiler-Leman Algorithm for Machine Learning with Graphs [13.497404066306501]
機械学習環境におけるWeisfeiler-Lemanアルゴリズムの使用に関する包括的な概要を示す。理論的な背景を論じ、グラフとノードの分類にどのように使うかを示し、最近の拡張とニューラルアーキテクチャとの関係について論じる。
論文参考訳（メタデータ） (2021-05-12T19:05:18Z)
Graph signal processing for machine learning: A review and new perspectives [57.285378618394624]
本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
論文参考訳（メタデータ） (2020-07-31T13:21:33Z)

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。