Fugu-MT 論文翻訳(概要): Can an NN model plainly learn planar layouts?

論文の概要: Can an NN model plainly learn planar layouts?

arxiv url: http://arxiv.org/abs/2209.01075v2
Date: Mon, 5 Sep 2022 08:33:33 GMT
ステータス: 翻訳完了
システム内更新日: 2022-09-07 10:42:13.371016
Title: Can an NN model plainly learn planar layouts?
Title（参考訳）: nnモデルでは平面レイアウトを学べるのか?
Authors: Smon van Wageningen and Tamara Mchedlidze
Abstract要約: 様々な平面グラフクラスを学習するニューラルネットワークの機能について検討する。このモデルは,特定のグラフクラスにおいて従来の手法より優れていることが判明した。しかし、このモデルはデータのランダム性に影響を受けやすいようで、予想よりもロバスト性は低いようだ。
参考スコア（独自算出の注目度）: 0.261072980439312
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Planar graph drawings tend to be aesthetically pleasing. In this poster we explore a Neural Network's capability of learning various planar graph classes. Additionally, we also investigate the effectiveness of the model in generalizing beyond planarity. We find that the model can outperform conventional techniques for certain graph classes. The model, however, appears to be more susceptible to randomness in the data, and seems to be less robust than expected.
Abstract（参考訳）: 平面グラフの描画は審美的に喜ばしい傾向にある。このポスターでは、様々な平面グラフクラスを学習するニューラルネットワークの能力について検討する。さらに, 平面性を超えた一般化におけるモデルの有効性についても検討した。このモデルは、あるグラフクラスに対する従来のテクニックよりも優れています。しかし、このモデルはデータのランダム性に影響を受けやすいようで、予想よりもロバスト性は低いようだ。

関連論文リスト

GIN-Graph: A Generative Interpretation Network for Model-Level Explanation of Graph Neural Networks [0.40964539027092917]
本稿では,信頼度の高いモデルレベルの説明グラフを生成するために,GIN-Graph(Model-Level Explanation of Graph Neural Networks)のための生成解釈ネットワークを提案する。 GIN-Graphは、さまざまなグラフデータセットでトレーニングされたGNNモデルに容易に適用でき、意味のある説明グラフを作成することができる。
論文参考訳（メタデータ） (2025-03-08T22:39:36Z)
A New View on Planning in Online Reinforcement Learning [19.35031543927374]
本稿では,背景計画を用いたモデルに基づく強化学習への新たなアプローチについて検討する。 GSPアルゴリズムは抽象空間から様々な基礎学習者が異なる領域でより高速に学習できるような方法で価値を伝播することができることを示す。
論文参考訳（メタデータ） (2024-06-03T17:45:19Z)
GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文参考訳（メタデータ） (2023-06-20T03:33:22Z)
Learning to Jump: Thinning and Thickening Latent Counts for Generative Modeling [69.60713300418467]
ジャンプの学習は、様々な種類のデータの生成モデリングのための一般的なレシピである。ジャンプの学習が、デノゼの学習と相容れないパフォーマンスを期待される場合と、より良いパフォーマンスを期待される場合を実証する。
論文参考訳（メタデータ） (2023-05-28T05:38:28Z)
Probing Graph Representations [77.7361299039905]
グラフ表現でキャプチャされた意味のある情報の量を定量化するために、探索フレームワークを使用します。本研究は, グラフモデルにおける帰納的バイアスを理解するための探索の可能性を示すものである。グラフベースモデルを評価する上で有用な診断ツールとして,探索を提唱する。
論文参考訳（メタデータ） (2023-03-07T14:58:18Z)
Visual Learning-based Planning for Continuous High-Dimensional POMDPs [81.16442127503517]
Visual Tree Search (VTS)は、オフラインで学習した生成モデルとオンラインモデルベースのPOMDP計画を組み合わせた学習と計画の手順である。 VTSは、モンテカルロの木探索プランナーにおける画像観測の可能性を予測し評価するために、一連の深部生成観測モデルを利用することで、オフラインモデルトレーニングとオンラインプランニングを橋渡しする。 VTSは、異なる観測ノイズに対して堅牢であり、オンラインのモデルベースプランニングを利用するため、再トレーニングを必要とせずに、異なる報酬構造に適応できることを示す。
論文参考訳（メタデータ） (2021-12-17T11:53:31Z)
Deep Neural Network for DrawiNg Networks, (DNN)^2 [1.5749416770494706]
本稿ではDNN(Deep Neural Network for DrawiNg Networks)と呼ばれる新しいグラフ描画フレームワークを提案する。グラフ描画におけるDeep Learningアプローチが新規であり,今後の作業における多くの手がかりが特定されているため,(DNN)2が良好に機能していることが示される。
論文参考訳（メタデータ） (2021-08-08T13:23:26Z)
The World as a Graph: Improving El Ni\~no Forecasts with Graph Neural Networks [0.00916150060695978]
季節予測へのグラフニューラルネットワークの最初の応用を提案する。当社のモデルであるGraphinoは、最先端のディープラーニングベースのモデルで最大6ヶ月の予測を上回ります。
論文参考訳（メタデータ） (2021-04-11T19:55:55Z)
What Do Deep Nets Learn? Class-wise Patterns Revealed in the Input Space [88.37185513453758]
本研究では,深層ニューラルネットワーク(DNN)が学習するクラスワイズな知識を,異なる環境下で可視化し,理解する手法を提案する。本手法は,各クラスのモデルが学習した知識を表現するために,画素空間内の1つの予測パターンを探索する。逆境環境では、逆境に訓練されたモデルはより単純化された形状パターンを学ぶ傾向がある。
論文参考訳（メタデータ） (2021-01-18T06:38:41Z)
Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
論文参考訳（メタデータ） (2020-10-01T17:51:19Z)
Non-Parametric Graph Learning for Bayesian Graph Neural Networks [35.88239188555398]
グラフ隣接行列の後方分布を構築するための新しい非パラメトリックグラフモデルを提案する。このモデルの利点を,ノード分類,リンク予測,レコメンデーションという3つの異なる問題設定で示す。
論文参考訳（メタデータ） (2020-06-23T21:10:55Z)
Customized Graph Neural Networks [38.30640892828196]
グラフニューラルネットワーク(GNN)は,グラフ分類のタスクを大幅に進歩させた。本稿では,新たにカスタマイズされたグラフニューラルネットワークフレームワークであるCustomized-GNNを提案する。提案するフレームワークは非常に一般的なもので,既存のグラフニューラルネットワークモデルにも適用可能である。
論文参考訳（メタデータ） (2020-05-22T05:22:24Z)

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。