論文の概要: Symmetry Structured Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2203.02056v1
- Date: Thu, 3 Mar 2022 23:10:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 01:16:27.388241
- Title: Symmetry Structured Convolutional Neural Networks
- Title(参考訳): 対称構造畳み込みニューラルネットワーク
- Authors: Kehelwala Dewage Gayan Maduranga, Vasily Zadorozhnyy, Qiang Ye
- Abstract要約: 我々はネットワークの畳み込み層における対称性構造を生成し保存するCNNアーキテクチャを開発した。
本稿では、このアーキテクチャをシーケンシャルレコメンデーション問題、RNA二次構造推定問題、タンパク質接触マップ予測問題に適用する。
- 参考スコア(独自算出の注目度): 5.229616140749998
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider Convolutional Neural Networks (CNNs) with 2D structured features
that are symmetric in the spatial dimensions. Such networks arise in modeling
pairwise relationships for a sequential recommendation problem, as well as
secondary structure inference problems of RNA and protein sequences. We develop
a CNN architecture that generates and preserves the symmetry structure in the
network's convolutional layers. We present parameterizations for the
convolutional kernels that produce update rules to maintain symmetry throughout
the training. We apply this architecture to the sequential recommendation
problem, the RNA secondary structure inference problem, and the protein contact
map prediction problem, showing that the symmetric structured networks produce
improved results using fewer numbers of machine parameters.
- Abstract(参考訳): 本研究では,空間次元に対称な2次元構造を持つ畳み込みニューラルネットワーク(cnns)を考える。
このようなネットワークは、RNAとタンパク質配列の二次構造推論問題と同様に、シーケンシャルレコメンデーション問題に対するペアワイズ関係をモデル化する。
我々はネットワークの畳み込み層における対称性構造を生成し保存するCNNアーキテクチャを開発した。
我々は、トレーニングを通して対称性を維持するために更新ルールを生成する畳み込みカーネルのパラメータ化を提案する。
このアーキテクチャを、逐次レコメンデーション問題、RNA二次構造推定問題、タンパク質接触マップ予測問題に適用し、対称構造ネットワークがより少ない数のマシンパラメータを用いて改善結果を生成することを示す。
関連論文リスト
- A multi-category inverse design neural network and its application to
diblock copolymers [1.0323063834827415]
周期構造を物理パラメータにマッピングする多カテゴリ逆設計ニューラルネットワークを設計する。
ネットワークは、所望の構造に対する物理パラメータの予測において高精度である。
多重分類の概念は他の逆設計問題にも拡張できる。
論文 参考訳(メタデータ) (2022-10-12T09:28:42Z) - Dual Convexified Convolutional Neural Networks [27.0231994885228]
二重凸畳み込みニューラルネットワーク(DCCNN)の枠組みを提案する。
このフレームワークでは、まず、凸化された畳み込みニューラルネットワーク(CCNN)から動機付けられた予備学習問題を導入する。
次に、KKT条件とフェンシェル共役条件を慎重に解析し、二重凸訓練プログラムを構築する。
論文 参考訳(メタデータ) (2022-05-27T15:45:08Z) - Orthogonal Stochastic Configuration Networks with Adaptive Construction
Parameter for Data Analytics [6.940097162264939]
ランダム性により、SCNは冗長で品質の低い近似線形相関ノードを生成する可能性が高まる。
機械学習の基本原理、すなわち、パラメータが少ないモデルでは、一般化が向上する。
本稿では,ネットワーク構造低減のために,低品質な隠れノードをフィルタする直交SCN(OSCN)を提案する。
論文 参考訳(メタデータ) (2022-05-26T07:07:26Z) - PR-RRN: Pairwise-Regularized Residual-Recursive Networks for Non-rigid
Structure-from-Motion [58.75694870260649]
PR-RRNは、非剛性構造移動のための新しいニューラルネットワークベースの手法である。
再建をさらに規則化するための2つの新しいペアワイズ正規化を提案する。
提案手法は,CMU MOCAPとPASCAL3D+データセットの最先端性能を実現する。
論文 参考訳(メタデータ) (2021-08-17T08:39:02Z) - Encoding Involutory Invariance in Neural Networks [1.6371837018687636]
ある状況では、ニューラルネットワーク(NN)は、基礎となる物理対称性に従うデータに基づいて訓練される。
本研究では、関数がパリティまでのインボリュート線型/ファイン変換に対して不変な特別な対称性について検討する。
数値実験により,提案モデルが与えられた対称性を尊重しながらベースラインネットワークより優れていたことが示唆された。
また,本手法を水平/垂直反射対称性を持つデータセットに対する畳み込みNN分類タスクに適用する手法も提案されている。
論文 参考訳(メタデータ) (2021-06-07T16:07:15Z) - ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。
我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
論文 参考訳(メタデータ) (2020-09-04T20:41:47Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳(メタデータ) (2020-07-02T17:55:47Z) - MDP Homomorphic Networks: Group Symmetries in Reinforcement Learning [90.20563679417567]
本稿では,深層強化学習のためのMDP準同型ネットワークを提案する。
MDP準同型ネットワーク(英: MDP homomorphic network)は、MDPの結合状態-作用空間における対称性の下で不変なニューラルネットワークである。
このようなネットワークは,グリッドワールドであるCartPoleとPongの非構造化ネットワークよりも高速に収束することを示す。
論文 参考訳(メタデータ) (2020-06-30T15:38:37Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳(メタデータ) (2020-06-19T22:05:19Z) - Symplectic Neural Networks in Taylor Series Form for Hamiltonian Systems [15.523425139375226]
我々は,Symphlectic Taylor Neural Networks (Taylor-nets) という,効率的かつ軽量な学習アルゴリズムを提案する。
スパース・短期観測に基づく複素ハミルトン力学系の連続的長期予測を行う。
我々は、振り子、ロトカ-ボルテラ、ケプラー、ヘノン-ハイレス系を含むハミルトン力学系の幅広いスペクトルを予測する上で、テイラー-ネットの有効性を実証する。
論文 参考訳(メタデータ) (2020-05-11T10:32:29Z) - Understanding Graph Neural Networks with Generalized Geometric
Scattering Transforms [67.88675386638043]
散乱変換は、畳み込みニューラルネットワークのモデルとして機能する多層ウェーブレットベースのディープラーニングアーキテクチャである。
非対称ウェーブレットの非常に一般的なクラスに基づくグラフに対して、窓付きおよび非窓付き幾何散乱変換を導入する。
これらの非対称グラフ散乱変換は、対称グラフ散乱変換と多くの理論的保証を持つことを示す。
論文 参考訳(メタデータ) (2019-11-14T17:23:06Z)
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。