論文の概要: Topological Deep Learning: A Review of an Emerging Paradigm

• arxiv url: http://arxiv.org/abs/2302.03836v1
• Date: Wed, 8 Feb 2023 02:11:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 17:33:13.217214
• Title: Topological Deep Learning: A Review of an Emerging Paradigm
• Title（参考訳）: トポロジカルディープラーニング:新しいパラダイムの概観
• Authors: Ali Zia and Abdelwahed Khamis and James Nichols and Zeeshan Hayder and Vivien Rolland and Lars Petersson
• Abstract要約: トポロジカルデータ分析は多次元データの大域的記述を提供する。 まず,TDAの中核となる概念を再考し,トポロジカルディープラーニングの分野を概観する。 次に、ディープラーニングフレームワークをサポートするために、TDAテクニックの使用が時間とともにどのように進化してきたかについて検討する。
• 参考スコア（独自算出の注目度）: 13.922282370294392
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Topological data analysis (TDA) provides insight into data shape. The summaries obtained by these methods are principled global descriptions of multi-dimensional data whilst exhibiting stable properties such as robustness to deformation and noise. Such properties are desirable in deep learning pipelines but they are typically obtained using non-TDA strategies. This is partly caused by the difficulty of combining TDA constructs (e.g. barcode and persistence diagrams) with current deep learning algorithms. Fortunately, we are now witnessing a growth of deep learning applications embracing topologically-guided components. In this survey, we review the nascent field of topological deep learning by first revisiting the core concepts of TDA. We then explore how the use of TDA techniques has evolved over time to support deep learning frameworks, and how they can be integrated into different aspects of deep learning. Furthermore, we touch on TDA usage for analyzing existing deep models; deep topological analytics. Finally, we discuss the challenges and future prospects of topological deep learning.
• Abstract（参考訳）: トポロジカルデータ分析(TDA)は、データ形状に関する洞察を提供する。 これらの手法により得られた要約は、変形やノイズに対する堅牢性などの安定した特性を示しながら、多次元データの大域的な記述である。 このような特性はディープラーニングパイプラインでは望ましいが、通常は非TDA戦略を用いて得られる。 これは、TDA構造体(例えば、バーコードと永続化図)と現在のディープラーニングアルゴリズムを組み合わせるのが難しいことに起因する。 幸いにも私たちは、トポロジカルに導かれたコンポーネントを採用するディープラーニングアプリケーションの増加を目撃しています。 本稿では,TDAの中核となる概念を再考することによって,トポロジカルディープラーニングの新たな分野を概観する。 次に、ディープラーニングフレームワークをサポートするために、TDAテクニックの使用が時間とともにどのように進化してきたか、そして、ディープラーニングのさまざまな側面に統合される方法について検討する。 さらに、既存の深層モデル、深部トポロジ解析におけるTDAの利用について触れる。 最後に,トポロジカル深層学習の課題と今後の展望について論じる。

関連論文リスト

• Unveiling Topological Structures in Text: A Comprehensive Survey of Topological Data Analysis Applications in NLP [10.068736768442985]
  トポロジカル・データ・アナリティクス(Topological Data Analysis)は、ノイズにもかかわらずデータの本質的な形状を識別する統計手法である。 トポロジカルデータ分析は、コンピュータビジョンのような構造的に異なる領域に比べて、自然言語処理領域内ではあまり注目を集めていない。 本研究は,これらの研究を理論的および非理論的アプローチに分類した。
  論文  参考訳（メタデータ） (2024-11-15T15:55:05Z)
• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• Topological Persistence Guided Knowledge Distillation for Wearable Sensor Data [15.326571438985466]
  トポロジカルデータ解析(TDA)によって得られるトポロジカルな特徴は潜在的な解決策として提案されている。 深層学習にトポロジ的特徴を用いることには2つの大きな障害がある。 そこで本研究では,生の時系列データに基づいてトレーニングした教師ネットワークと,TDA法により生成された永続性画像に基づいてトレーニングした教師ネットワークの2つを提案する。 頑健な学生モデルを蒸留し、トポロジ的特徴を暗黙的に保存しながら、時系列データのみを入力として使用する。
  論文  参考訳（メタデータ） (2024-07-07T10:08:34Z)
• Position: Topological Deep Learning is the New Frontier for Relational Learning [51.05869778335334]
  トポロジカルディープラーニング(TDL)は、トポロジカルな特徴を用いてディープラーニングモデルを理解し設計する、急速に進化する分野である。 本稿では,TDLがリレーショナル学習の新たなフロンティアであることを示す。
  論文  参考訳（メタデータ） (2024-02-14T00:35:10Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Dataset Distillation: A Comprehensive Review [76.26276286545284]
  データセット蒸留(DD)は、トレーニングされたモデルが元のデータセットでトレーニングされたデータセットに匹敵するパフォーマンスを得るために、合成サンプルを含むはるかに小さなデータセットを導出することを目的としている。 本稿ではDDの最近の進歩とその応用について概説する。
  論文  参考訳（メタデータ） (2023-01-17T17:03:28Z)
• Experimental Observations of the Topology of Convolutional Neural Network Activations [2.4235626091331737]
  トポロジカル・データ解析は、複雑な構造のコンパクトでノイズ・ロバストな表現を提供する。 ディープニューラルネットワーク(DNN)は、モデルアーキテクチャによって定義された一連の変換に関連する数百万のパラメータを学習する。 本稿では,画像分類に使用される畳み込みニューラルネットワークの解釈可能性に関する知見を得る目的で,TDAの最先端技術を適用した。
  論文  参考訳（メタデータ） (2022-12-01T02:05:44Z)
• Deep Learning for Road Traffic Forecasting: Does it Make a Difference? [6.220008946076208]
  本稿では,このITS研究領域におけるDeep Learningの活用に言及した技術の現状を批判的に分析することに焦点を当てる。 後続の批判分析は、交通予測のためのディープラーニングの問題について、質問を定式化し、必要な議論を引き起こす。
  論文  参考訳（メタデータ） (2020-12-02T15:56:11Z)
• Structure preserving deep learning [1.2263454117570958]
  深層学習は、大きな関心事のトピックとして、前景に浮かび上がっています。 ディープラーニングの適用には、いくつかの挑戦的な数学的問題がある。 既存のディープラーニング手法の構造を数学的に理解する努力が増えている。
  論文  参考訳（メタデータ） (2020-06-05T10:59:09Z)

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。