Fugu-MT 論文翻訳(概要): Geometric deep learning approach to knot theory

論文の概要: Geometric deep learning approach to knot theory

arxiv url: http://arxiv.org/abs/2305.16808v1
Date: Fri, 26 May 2023 10:42:21 GMT
ステータス: 処理完了
システム内更新日: 2023-05-29 15:41:31.910283
Title: Geometric deep learning approach to knot theory
Title（参考訳）: 結び目理論への幾何学的深層学習アプローチ
Authors: Lennart Jaretzki
Abstract要約: グラフに結び目を取り、グラフニューラルネットワークを使用する関手を構築することにより、結び目データに幾何学的深層学習を用いる新しい手法を提案する。このアプローチでは、いくつかの結び目不変量を予測しようと試みる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we introduce a novel way to use geometric deep learning for knot data by constructing a functor that takes knots to graphs and using graph neural networks. We will attempt to predict several knot invariants with this approach. This approach demonstrates high generalization capabilities.
Abstract（参考訳）: 本稿では,グラフに結び目を取り込む関手を構築し,グラフニューラルネットワークを用いて結び目データの幾何学的深層学習を行う新しい手法を提案する。このアプローチでいくつかの結び目不変量の予測を試みる。このアプローチは高い一般化能力を示す。

関連論文リスト

A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [67.33002207179923]
本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
論文参考訳（メタデータ） (2024-03-01T12:13:04Z)
Riemannian Residual Neural Networks [58.925132597945634]
残余ニューラルネットワーク(ResNet)の拡張方法を示す。 ResNetは、機械学習において、有益な学習特性、優れた経験的結果、そして様々なニューラルネットワークを構築する際に容易に組み込める性質のために、ユビキタスになった。
論文参考訳（メタデータ） (2023-10-16T02:12:32Z)
Representation Learning via Manifold Flattening and Reconstruction [10.823557517341964]
本研究では,組込み部分多様体の線形化と再構成を行うニューラルネットワークのペアを明示的に構築するアルゴリズムを提案する。このような生成されたニューラルネットワークは、FlatNet(FlatNet)と呼ばれ、理論的に解釈可能であり、大規模に計算可能であり、データをテストするためにうまく一般化されている。
論文参考訳（メタデータ） (2023-05-02T20:36:34Z)
Sheaf Neural Networks with Connection Laplacians [3.3414557160889076]
シーフニューラルネットワーク(英: Sheaf Neural Network、略称:SNN)は、グラフニューラルネットワークの一種で、グラフにノードとエッジにベクトル空間とそれらの空間の間の線形写像を割り当てるオブジェクトである。それまでの研究では、ドメイン知識に基づいたシーフを手作業で構築することと、勾配に基づく手法によるシーフエンドツーエンドの学習という2つのダイメトリックなアプローチが提案されていた。本研究ではリーマン幾何学から着想を得た新しい計算方法を提案する。提案手法は,従来のSNNモデルと比較して計算オーバーヘッドが少なく,有望な結果が得られることを示す。
論文参考訳（メタデータ） (2022-06-17T11:39:52Z)
Adversarially Regularized Graph Attention Networks for Inductive Learning on Partially Labeled Graphs [4.535832029902475]
グラフ上の半教師付き学習のための新しい帰納的埋め込み法を提案する。本手法は,近隣からの情報を集約するパラメトリック関数を学習してノード表現を生成する。敵の訓練は、学習された表現を事前の分布に合わせるように強制する外部正規化として機能する。
論文参考訳（メタデータ） (2021-06-07T07:43:28Z)
Self-Supervised Graph Representation Learning via Topology Transformations [61.870882736758624]
本稿では,グラフデータのノード表現のための自己教師型学習の一般的なパラダイムであるトポロジー変換同変表現学習について述べる。実験では,提案手法を下流ノードおよびグラフ分類タスクに適用し,提案手法が最先端の教師なし手法より優れていることを示す。
論文参考訳（メタデータ） (2021-05-25T06:11:03Z)
Fusing the Old with the New: Learning Relative Camera Pose with Geometry-Guided Uncertainty [91.0564497403256]
本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
論文参考訳（メタデータ） (2021-04-16T17:59:06Z)
Length Learning for Planar Euclidean Curves [0.0]
この研究は、正弦波データセットによって生成された平面サンプリング曲線の長さを学習することに焦点を当てる。付加雑音と離散化誤差に対する頑健さを検証した。
論文参考訳（メタデータ） (2021-02-03T06:30:03Z)
Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
我々は高密度サブグラフ発見のための新しい学習問題を導入する。まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
論文参考訳（メタデータ） (2020-06-24T11:37:33Z)
Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
論文参考訳（メタデータ） (2020-04-06T13:25:46Z)
Fiedler Regularization: Learning Neural Networks with Graph Sparsity [6.09170287691728]
ニューラルネットワークの基盤となるグラフィカル構造を包含し、尊重する、ディープラーニングのための新しい正規化アプローチを導入する。我々は、ニューラルネットワークの基盤となるグラフのFiedler値を正規化のツールとして使うことを提案する。
論文参考訳（メタデータ） (2020-03-02T16:19:33Z)

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。