論文の概要: All-optical graph representation learning using integrated diffractive photonic computing units

• arxiv url: http://arxiv.org/abs/2204.10978v1
• Date: Sat, 23 Apr 2022 02:29:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 15:57:06.833137
• Title: All-optical graph representation learning using integrated diffractive photonic computing units
• Title（参考訳）: 統合回折フォトニック演算ユニットを用いた全光学グラフ表現学習
• Authors: Tao Yan, Rui Yang, Ziyang Zheng, Xing Lin, Hongkai Xiong, Qionghai Dai
• Abstract要約: フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。 我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。 ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 51.15389025760809
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photonic neural networks perform brain-inspired computations using photons instead of electrons that can achieve substantially improved computing performance. However, existing architectures can only handle data with regular structures, e.g., images or videos, but fail to generalize to graph-structured data beyond Euclidean space, e.g., social networks or document co-citation networks. Here, we propose an all-optical graph representation learning architecture, termed diffractive graph neural network (DGNN), based on the integrated diffractive photonic computing units (DPUs) to address this limitation. Specifically, DGNN optically encodes node attributes into strip optical waveguides, which are transformed by DPUs and aggregated by on-chip optical couplers to extract their feature representations. Each DPU comprises successive passive layers of metalines to modulate the electromagnetic optical field via diffraction, where the metaline structures are learnable parameters shared across graph nodes. DGNN captures complex dependencies among the node neighborhoods and eliminates the nonlinear transition functions during the light-speed optical message passing over graph structures. We demonstrate the use of DGNN extracted features for node and graph-level classification tasks with benchmark databases and achieve superior performance. Our work opens up a new direction for designing application-specific integrated photonic circuits for high-efficiency processing of large-scale graph data structures using deep learning.
• Abstract（参考訳）: フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。 しかし、既存のアーキテクチャは、画像やビデオのような通常の構造を持つデータしか扱えないが、ユークリッド空間以外のグラフ構造化データ、例えばソーシャルネットワークやドキュメント共引用ネットワークに一般化できない。 本稿では,この制約に対処するために,統合型回折フォトニック演算ユニット (dpus) に基づいて,dgnn (diffractive graph neural network) と呼ばれる全光学グラフ表現学習アーキテクチャを提案する。 具体的には、DGNNは、ノード属性をDPUによって変換され、オンチップ光カプラによって集約されたストリップ光導波路に符号化し、特徴表現を抽出する。 各DPUは、グラフノード間で共有される学習可能なパラメータである金属構造を回折することで、電磁界を変調するメタラインの連続的な受動的層から構成される。 DGNNはノード近傍の複雑な依存関係を捕捉し、グラフ構造を渡る光速光メッセージ間における非線形遷移関数を除去する。 ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。 深層学習を用いた大規模グラフデータ構造の高効率処理のためのアプリケーション固有の集積フォトニック回路を設計するための新たな方向性を開拓する。

関連論文リスト

• LightDiC: A Simple yet Effective Approach for Large-scale Digraph Representation Learning [42.72417353512392]
  磁気ラプラシアンに基づくダイグラフ畳み込みのスケーラブルな変種であるLightDiCを提案する。 LightDiCは、最も代表的な大規模データベースで満足な結果を提供する最初のDiGNNである。
  論文  参考訳（メタデータ） (2024-01-22T09:09:10Z)
• Optical Neural Ordinary Differential Equations [44.97261923694945]
  隠れ層の連続力学を光学的ODE解法でパラメータ化する光学的ニューラル常微分方程式(ON-ODE)アーキテクチャを提案する。 On-ODEは、PNNとフォトニックインテグレータと光フィードバックループとから構成されており、残留ニューラルネットワーク(ResNet)と、チップ領域占有率を効果的に低減したリカレントニューラルネットワークを表現するように構成できる。
  論文  参考訳（メタデータ） (2022-09-26T04:04:02Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks [11.857894213975644]
  本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。 理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
  論文  参考訳（メタデータ） (2022-01-22T00:47:41Z)
• ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
  本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。 複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-10-15T07:18:57Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Graph Convolutional Networks in Feature Space for Image Deblurring and Super-resolution [11.531085904098003]
  グラフ畳み込みを付加した新しいエンコーダデコーダネットワークを提案する。 実験により、画像復元作業のパフォーマンスが著しく向上することが示された。 より多くのアプリケーションにおいて、GCNベースのアプローチの機会が開けると信じています。
  論文  参考訳（メタデータ） (2021-05-21T17:02:15Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)

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。