論文の概要: Efficient multi-relational network representation using primes

• arxiv url: http://arxiv.org/abs/2209.06575v1
• Date: Wed, 14 Sep 2022 11:59:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-15 13:44:08.893413
• Title: Efficient multi-relational network representation using primes
• Title（参考訳）: 素数を用いた効率的なマルチリレーショナルネットワーク表現
• Authors: Konstantinos Bougiatiotis, Georgios Paliouras
• Abstract要約: マルチリレーショナルネットワークは、今日の世界で重要な役割を担い、データ間の複雑な関係を捉えるために利用される。 本稿では,これら複雑なネットワークを1つの集約隣接行列を用いて表現する手法を提案する。 本稿では,この表現が有用であり,その効率と性能を示す,シンプルで複雑なタスクを提案する。
• 参考スコア（独自算出の注目度）: 1.6752182911522517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-relational networks play an important role in today's world and are utilized to capture complex relationships between the data. Their applications span many domains such as biomedical, financial, social, etc., and because of their increasing usability, it becomes crucial to find efficient ways to deal with the added complexity of multiple layers. In this work, we propose a novel approach to represent these complex networks using a single aggregated adjacency matrix, by utilizing primes as surrogates for the relations. Due to the fundamental theorem of arithmetic, this allows for a lossless, compact representation of the whole multi-relational graph, using a single adjacency matrix. Moreover, this representation enables the fast computation of multi-hop adjacency matrices, that can be useful for a variety of downstream tasks. We present simple and complex tasks in which this representation can be useful and showcase its efficiency and performance. Finally, we also provide insights on the advantages and the open challenges that still need to be addressed and motivate future work.
• Abstract（参考訳）: マルチリレーショナルネットワークは、今日の世界で重要な役割を担い、データ間の複雑な関係を捉えるために利用される。 彼らのアプリケーションは、バイオメディカル、ファイナンシャル、ソーシャルなど多くのドメインにまたがっており、ユーザビリティが向上しているため、複数のレイヤーの複雑さを増やすための効率的な方法を見つけることが重要になっている。 本研究では, 1 つの集約された隣接行列を用いてこれらの複雑なネットワークを表現するための新しい手法を提案する。 算術の基本定理により、これは単一の隣接行列を用いて、多重関係グラフ全体の損失のないコンパクトな表現を可能にする。 さらに、この表現はマルチホップ隣接行列の高速計算を可能にし、様々な下流タスクに有用である。 我々は,この表現が有用であるような単純で複雑なタスクを提示し,その効率性と性能を示す。 最後に、取り組まなければならないメリットとオープンな課題についての洞察を提供し、将来の仕事のモチベーションを与えます。

関連論文リスト

• From Primes to Paths: Enabling Fast Multi-Relational Graph Analysis [5.008498268411793]
  マルチリレーショナルネットワークは、データの複雑な関係を捉え、バイオメディカル、ファイナンシャル、社会科学などの分野にまたがる多様な応用を持つ。 この研究は、ネットワーク内の異なる関係をユニークに表現するために素数を使用するプライム・アジャケーシ・マトリクス・フレームワークを拡張している。
  論文  参考訳（メタデータ） (2024-11-17T18:43:01Z)
• Relational Composition in Neural Networks: A Survey and Call to Action [54.47858085003077]
  多くのニューラルネットは、データを「機能ベクトル」の線形結合として表現しているように見える。 我々は、この成功は関係性の構成を理解せずに不完全であると主張する。
  論文  参考訳（メタデータ） (2024-07-19T20:50:57Z)
• Image segmentation with traveling waves in an exactly solvable recurrent neural network [71.74150501418039]
  繰り返しニューラルネットワークは、シーンの構造特性に応じて、画像をグループに効果的に分割できることを示す。 本稿では,このネットワークにおけるオブジェクトセグメンテーションのメカニズムを正確に記述する。 次に、グレースケール画像中の単純な幾何学的対象から自然画像まで、入力をまたいで一般化するオブジェクトセグメンテーションの簡単なアルゴリズムを実証する。
  論文  参考訳（メタデータ） (2023-11-28T16:46:44Z)
• Modular Blended Attention Network for Video Question Answering [1.131316248570352]
  本稿では,再利用可能で構成可能なニューラルユニットを用いた問題解決手法を提案する。 一般的に使用されている3つのデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2023-11-02T14:22:17Z)
• Exploring ordered patterns in the adjacency matrix for improving machine learning on complex networks [0.0]
  提案手法は、複素グラフの隣接行列の要素を特定の順序で並べ替えるソートアルゴリズムを用いる。 結果のソートされた隣接行列は、特徴抽出と機械学習アルゴリズムの入力として使用され、ネットワークを分類する。
  論文  参考訳（メタデータ） (2023-01-20T00:01:23Z)
• The Multiple Subnetwork Hypothesis: Enabling Multidomain Learning by Isolating Task-Specific Subnetworks in Feedforward Neural Networks [0.0]
  我々は,未使用の重み付きネットワークがその後のタスクを学習するための方法論とネットワーク表現構造を同定する。 提案手法を用いてトレーニングされたネットワークは,タスクのパフォーマンスを犠牲にすることなく,あるいは破滅的な忘れを伴わずに,複数のタスクを学習できることを示す。
  論文  参考訳（メタデータ） (2022-07-18T15:07:13Z)
• Learning to Coordinate via Multiple Graph Neural Networks [16.226702761758595]
  MGANはグラフ畳み込みネットワークと値分解手法を組み合わせた新しいアルゴリズムである。 グラフネットワークの出力を可視化することにより,表現学習におけるグラフネットワークの驚くべき能力を示す。
  論文  参考訳（メタデータ） (2021-04-08T04:33:00Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Recursive Multi-model Complementary Deep Fusion forRobust Salient Object Detection via Parallel Sub Networks [62.26677215668959]
  完全畳み込みネットワークは、正体検出(SOD)分野において優れた性能を示している。 本稿では,全く異なるネットワークアーキテクチャを持つ並列サブネットワークからなる,より広いネットワークアーキテクチャを提案する。 いくつかの有名なベンチマークの実験では、提案されたより広範なフレームワークの優れた性能、優れた一般化、強力な学習能力が明らかに示されている。
  論文  参考訳（メタデータ） (2020-08-07T10:39:11Z)

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。