Fugu-MT 論文翻訳(概要): Can one hear the position of nodes?

論文の概要: Can one hear the position of nodes?

arxiv url: http://arxiv.org/abs/2211.06325v1
Date: Thu, 10 Nov 2022 16:00:53 GMT
ステータス: 処理完了
システム内更新日: 2022-11-14 17:20:36.757615
Title: Can one hear the position of nodes?
Title（参考訳）: ノードの位置が聞こえますか?
Authors: Rami Puzis
Abstract要約: 個々のノードの振動によって放射される音は、全体のネットワークトポロジーの構造を反映する。音声認識ニューラルネットワークは、ノードの波形から集中度を推定するように訓練される。ネットワークトポロジのオーラル化は、ネットワークビジュアライゼーションと競合する芸術の新たな方向を開く可能性がある。
参考スコア（独自算出の注目度）: 5.634825161148484
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Wave propagation through nodes and links of a network forms the basis of spectral graph theory. Nevertheless, the sound emitted by nodes within the resonating chamber formed by a network are not well studied. The sound emitted by vibrations of individual nodes reflects the structure of the overall network topology but also the location of the node within the network. In this article, a sound recognition neural network is trained to infer centrality measures from the nodes' wave-forms. In addition to advancing network representation learning, sounds emitted by nodes are plausible in most cases. Auralization of the network topology may open new directions in arts, competing with network visualization.
Abstract（参考訳）: ノード間の波動伝播とネットワークのリンクはスペクトルグラフ理論の基礎を形成する。それにもかかわらず、ネットワークによって形成された共振室内のノードから発せられる音はよく研究されていない。個々のノードの振動によって発せられる音は、ネットワーク全体のトポロジーの構造だけでなく、ネットワーク内のノードの位置も反映する。本稿では,ノードの波形から集中度を推定するために,音声認識ニューラルネットワークを訓練する。ネットワーク表現学習の進歩に加え、ほとんどの場合、ノードが発する音は可算である。ネットワークトポロジのオーラル化は、ネットワークビジュアライゼーションと競合する芸術の新たな方向を開く可能性がある。

関連論文リスト

Towards Inductive Robustness: Distilling and Fostering Wave-induced Resonance in Transductive GCNs Against Graph Adversarial Attacks [56.56052273318443]
グラフニューラルネットワーク(GNN)は、グラフ構造のわずかな摂動が誤った予測に繋がる敵の攻撃に弱いことが示されている。ここでは, トランスダクティブGCNは本質的に, 波動誘起共鳴プロセスによって達成される, 蒸留可能なロバスト性を有することがわかった。本稿では,この共振を学習ノード表現を通じて促進するグラフ共振源ネットワーク(GRN)を提案する。
論文参考訳（メタデータ） (2023-12-14T04:25:50Z)
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)
Rank Diminishing in Deep Neural Networks [71.03777954670323]
ニューラルネットワークのランクは、層をまたがる情報を測定する。これは機械学習の幅広い領域にまたがる重要な構造条件の例である。しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
論文参考訳（メタデータ） (2022-06-13T12:03:32Z)
Investigation of Densely Connected Convolutional Networks with Domain Adversarial Learning for Noise Robust Speech Recognition [41.88097793717185]
本研究では,高密度接続型畳み込みネットワーク(DenseNets)とその拡張性について検討した。 DenseNetは、非常に深くてコンパクトな畳み込みニューラルネットワークであり、コンピュータビジョンの最先端の結果よりも驚くほど改善されている。
論文参考訳（メタデータ） (2021-12-19T10:29:17Z)
Predicting Hidden Links and Missing Nodes in Scale-Free Networks with Artificial Neural Networks [1.0152838128195467]
我々は,大規模ネットワークにおける隠れリンクや欠落ノードを予測するための手法を,アルゴリズムの形で提案した。我々は,Bella Bollobasの有向スケールフリーなランダムグラフ生成アルゴリズムをランダムネットワークの生成元として使用し,大規模なスケールフリーなネットワークのデータを生成する。
論文参考訳（メタデータ） (2021-09-25T10:23:28Z)
Full network nonlocality [68.8204255655161]
ネットワーク内のすべてのリンクが非ローカルリソースを分散するために必要となる相関関係を記述した完全ネットワーク非ローカル性の概念を導入する。最もよく知られているネットワークベル試験では,ネットワークの非局所性は見られていない。より一般に、ネットワーク内の局所的および理論に依存しない相関を解析するための確立された手法は、完全なネットワーク非局所性のための十分な条件を導出するために組み合わせることができると指摘する。
論文参考訳（メタデータ） (2021-05-19T18:00:02Z)
Artificial Neural Networks generated by Low Discrepancy Sequences [59.51653996175648]
我々は、高密度ネットワークグラフ上のランダムウォーキングとして、人工ニューラルネットワークを生成する。このようなネットワークはスクラッチからスパースを訓練することができ、高密度ネットワークをトレーニングし、その後圧縮する高価な手順を避けることができる。我々は,低差分シーケンスで生成された人工ニューラルネットワークが,より低い計算複雑性で,密度の高いニューラルネットワークの到達範囲内で精度を達成できることを実証した。
論文参考訳（メタデータ） (2021-03-05T08:45:43Z)
Geometric Scattering Attention Networks [14.558882688159297]
適応的なタスク駆動ノード表現を生成するための新しいアテンションベースアーキテクチャを提案する。得られた幾何散乱注意ネットワーク(GSAN)は、半教師付きノード分類において、以前のネットワークより優れていることを示す。
論文参考訳（メタデータ） (2020-10-28T14:36:40Z)
ResiliNet: Failure-Resilient Inference in Distributed Neural Networks [56.255913459850674]
ResiliNetは、分散ニューラルネットワークにおいて物理ノード障害に耐性を持たせるためのスキームである。 Failoutは、ドロップアウトを使用したトレーニング中の物理ノード障害条件をシミュレートし、分散ニューラルネットワークのレジリエンスを改善するように設計されている。
論文参考訳（メタデータ） (2020-02-18T05:58:24Z)
Adversarial Deep Network Embedding for Cross-network Node Classification [27.777464531860325]
クロスネットワークノード分類は、ソースネットワークからの豊富なラベル付きノードを活用し、ターゲットネットワーク内のラベルなしノードの分類を支援する。本稿では, 対向ドメイン適応とディープネットワーク埋め込みを統合するための, 対向クロスネットワークディープネットワーク埋め込みモデルを提案する。提案したACDNEモデルは,ネットワーク間ノード分類における最先端性能を実現する。
論文参考訳（メタデータ） (2020-02-18T04:30:43Z)

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。