Fugu-MT 論文翻訳(概要): A Modal Logic for Explaining some Graph Neural Networks

論文の概要: A Modal Logic for Explaining some Graph Neural Networks

arxiv url: http://arxiv.org/abs/2307.05150v1
Date: Tue, 11 Jul 2023 10:13:25 GMT
ステータス: 処理完了
システム内更新日: 2023-07-12 15:33:20.180703
Title: A Modal Logic for Explaining some Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークを説明するための様相論理
Authors: Pierre Nunn and Fran\c{c}ois Schwarzentruber
Abstract要約: 各式が等価グラフニューラルネットワーク(GNN)に変換可能であることを示す。また、満足度問題は決定可能であることも示している。
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 propose a modal logic in which counting modalities appear in linear inequalities. We show that each formula can be transformed into an equivalent graph neural network (GNN). We also show that each GNN can be transformed into a formula. We show that the satisfiability problem is decidable. We also discuss some variants that are in PSPACE.
Abstract（参考訳）: 本稿では,線形不等式に数える様相が現れる様相論理を提案する。各式は等価グラフニューラルネットワーク(GNN)に変換可能であることを示す。また、各GNNを式に変換することも示している。満足度問題は決定可能であることを示す。 PSPACEに含まれるいくつかの変種についても論じる。

関連論文リスト

Logical Distillation of Graph Neural Networks [47.859911892875346]
グラフを学習するための論理に基づく解釈可能なモデルと,このモデルをグラフニューラルネットワーク(GNN)から抽出するアルゴリズムを提案する。最近の結果は、GNNの表現性と数量化器を用いた一階述語論理の2変数フラグメント(C2)の関連性を示している。
論文参考訳（メタデータ） (2024-06-11T10:18:58Z)
A Logic for Reasoning About Aggregate-Combine Graph Neural Networks [11.313331046805365]
各式が等価グラフニューラルネットワーク(GNN)に変換可能であることを示す。また, 満足度問題はPSPACE完全であることを示す。
論文参考訳（メタデータ） (2024-04-30T21:16:38Z)
Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文参考訳（メタデータ） (2023-12-16T14:09:23Z)
The Logic of Graph Neural Networks [0.9355115132408681]
グラフニューラルネットワーク(gnns)は、グラフ上の機械学習問題のディープラーニングアーキテクチャである。 GNNの表現力はWeisfeiler-Lemanアルゴリズムと可変カウント論理によって正確に特徴付けられることが示されている。
論文参考訳（メタデータ） (2021-04-29T19:23:26Z)
A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文参考訳（メタデータ） (2020-10-05T04:57:18Z)
Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
論文参考訳（メタデータ） (2020-08-04T18:57:36Z)
Expressive Power of Invariant and Equivariant Graph Neural Networks [10.419350129060598]
Folklore Graph Neural Networks (FGNN) は、与えられたテンソル次数に対してこれまで提案されてきた最も表現力のあるアーキテクチャである。 FGNNはこの問題の解決方法を学ぶことができ、既存のアルゴリズムよりも平均的なパフォーマンスが向上する。
論文参考訳（メタデータ） (2020-06-28T16:35:45Z)
Evaluating Logical Generalization in Graph Neural Networks [59.70452462833374]
グラフニューラルネットワーク(GNN)を用いた論理一般化の課題について検討する。ベンチマークスイートであるGraphLogでは、学習アルゴリズムが異なる合成論理でルール誘導を実行する必要がある。モデルが一般化し適応する能力は、トレーニング中に遭遇する論理規則の多様性によって強く決定される。
論文参考訳（メタデータ） (2020-03-14T05:45:55Z)
Random Features Strengthen Graph Neural Networks [40.60905158071766]
グラフニューラルネットワーク(GNN)は、さまざまなグラフ学習タスクのための強力な機械学習モデルである。本稿では,各ノードにランダムな特徴を加えるだけで,GNNが強力になることを示す。本稿では, グラフ畳み込みネットワーク (GCN) やグラフ同型ネットワーク (GIN) など, 通常のGNNでは解けない様々な問題を, ランダムな特徴の追加によりGNNが解決できることを示す。
論文参考訳（メタデータ） (2020-02-08T12:47:29Z)
Efficient Probabilistic Logic Reasoning with Graph Neural Networks [63.099999467118245]
マルコフ論理ネットワーク(MLN)は、多くの知識グラフ問題に対処するために用いられる。 MLNの推論は計算集約的であり、MLNの産業規模での応用は非常に困難である。本稿では,表現力とモデルの単純さとのバランスのよいグラフニューラルネット(GNN)モデルであるExpressGNNを提案する。
論文参考訳（メタデータ） (2020-01-29T23:34:36Z)

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。