Fugu-MT 論文翻訳(概要): The Cosmic Graph: Optimal Information Extraction from Large-Scale Structure using Catalogues

論文の概要: The Cosmic Graph: Optimal Information Extraction from Large-Scale Structure using Catalogues

arxiv url: http://arxiv.org/abs/2207.05202v1
Date: Mon, 11 Jul 2022 21:34:40 GMT
ステータス: 処理完了
システム内更新日: 2022-07-13 15:07:34.980008
Title: The Cosmic Graph: Optimal Information Extraction from Large-Scale Structure using Catalogues
Title（参考訳）: 宇宙グラフ:カタログを用いた大規模構造からの最適情報抽出
Authors: T. Lucas Makinen, Tom Charnock, Pablo Lemos, Natalia Porqueres, Alan Heavens, Benjamin D. Wandelt
Abstract要約: 本稿では,グラフとして集計された離散カタログデータに対して,宇宙情報を定量化するための暗黙的なアプローチを提案する。我々は、グラフ表現の関数としてフィッシャー情報抽出を定量化するために、IMNN(Information Maximising Neural Networks)を用いる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We present an implicit likelihood approach to quantifying cosmological information over discrete catalogue data, assembled as graphs. To do so, we explore cosmological inference using mock dark matter halo catalogues. We employ Information Maximising Neural Networks (IMNNs) to quantify Fisher information extraction as a function of graph representation. We a) demonstrate the high sensitivity of modular graph structure to the underlying cosmology in the noise-free limit, b) show that networks automatically combine mass and clustering information through comparisons to traditional statistics, c) demonstrate that graph neural networks can still extract information when catalogues are subject to noisy survey cuts, and d) illustrate how nonlinear IMNN summaries can be used as asymptotically optimal compressed statistics for Bayesian implicit likelihood inference. We reduce the area of joint $\Omega_m, \sigma_8$ parameter constraints with small ($\sim$100 object) halo catalogues by a factor of 42 over the two-point correlation function, and demonstrate that the networks automatically combine mass and clustering information. This work utilises a new IMNN implementation over graph data in Jax, which can take advantage of either numerical or auto-differentiability. We also show that graph IMNNs successfully compress simulations far from the fiducial model at which the network is fitted, indicating a promising alternative to $n$-point statistics in catalogue-based analyses.
Abstract（参考訳）: グラフとして集計された離散カタログデータ上での宇宙情報の定量化に暗黙的なアプローチを提案する。そこで我々は,模擬ダークマター・ハローカタログを用いた宇宙的推測を探索する。我々は、グラフ表現の関数としてフィッシャー情報抽出を定量化するために、IMNN(Information Maximising Neural Networks)を用いる。私たち a) 雑音のない極限における基礎となる宇宙論に対するモジュラーグラフ構造の高感度を示す。 b) 従来の統計との比較により,ネットワークが自動的に質量情報とクラスタリング情報を結合することを示すこと。 c) グラフニューラルネットワークは、カタログがノイズの多い調査の対象となる場合にも情報を取り出すことができることを実証し、 d) 非線形 imnn 要約がベイズ暗黙的帰納推論の漸近的最適圧縮統計としてどのように用いられるかを示す。我々は2点相関関数に対して42の係数で小さな(\sim$100 オブジェクト)ハロカタログを持つ$\Omega_m, \sigma_8$パラメータ制約の面積を減らし、ネットワークが自動的に質量とクラスタリング情報を組み合わせることを示した。この研究は、Jaxのグラフデータに新しいIMNNを実装し、数値または自動微分可能性を利用することができる。また,グラフIMNNはネットワークが組み込まれているフィデューシャルモデルとはかけ離れたシミュレーションをうまく圧縮し,カタログ解析における$n$ポイント統計の代替となることを示す。

関連論文リスト

DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文参考訳（メタデータ） (2024-01-28T06:43:13Z)
Connectivity Optimized Nested Graph Networks for Crystal Structures [1.1470070927586016]
グラフニューラルネットワーク(GNN)は、材料科学や化学における様々な応用に応用されている。提案したモデルでは,MateBenchベンチマークのすべてのタスクにおいて,最新の結果が体系的に改善されることが示されている。
論文参考訳（メタデータ） (2023-02-27T19:26:48Z)
Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文参考訳（メタデータ） (2022-06-28T02:10:05Z)
Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
論文参考訳（メタデータ） (2022-05-31T10:38:04Z)
Graph Ordering Attention Networks [22.468776559433614]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに関わる多くの問題でうまく使われている。近隣ノード間のインタラクションをキャプチャする新しいGNNコンポーネントであるグラフ順序付け注意層(GOAT)を導入する。 GOATレイヤは、複雑な情報をキャプチャするグラフメトリクスのモデリングにおけるパフォーマンスの向上を示す。
論文参考訳（メタデータ） (2022-04-11T18:13:19Z)
IV-GNN : Interval Valued Data Handling Using Graph Neural Network [12.651341660194534]
Graph Neural Network(GNN)は、グラフ上で標準的な機械学習を実行する強力なツールである。本稿では,新しいGNNモデルであるInterval-ValuedGraph Neural Networkを提案する。我々のモデルは、任意の可算集合は常に可算集合 $Rn$ の部分集合であるので、既存のモデルよりもはるかに一般である。
論文参考訳（メタデータ） (2021-11-17T15:37:09Z)
Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文参考訳（メタデータ） (2021-07-27T19:47:53Z)
CopulaGNN: Towards Integrating Representational and Correlational Roles of Graphs in Graph Neural Networks [23.115288017590093]
グラフニューラルネットワーク(GNN)モデルが両タイプの情報を効果的に活用する方法について検討する。提案したCopula Graph Neural Network (CopulaGNN)は、幅広いGNNモデルをベースモデルとして扱うことができる。
論文参考訳（メタデータ） (2020-10-05T15:20:04Z)
Higher-Order Explanations of Graph Neural Networks via Relevant Walks [3.1510406584101776]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを予測するための一般的なアプローチである。本稿では,GNNを高次展開を用いて自然に説明できることを示す。本稿では,テキストデータの感情分析,量子化学における構造・不適切な関係,画像分類に関する実践的な知見を抽出する。
論文参考訳（メタデータ） (2020-06-05T17:59:14Z)
Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文参考訳（メタデータ） (2020-03-08T13:02:15Z)
Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。本稿では,非自明なERGに対する近似フレームワークを提案する。我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。