Fugu-MT 論文翻訳(概要): Graph Structure from Point Clouds: Geometric Attention is All You Need

論文の概要: Graph Structure from Point Clouds: Geometric Attention is All You Need

arxiv url: http://arxiv.org/abs/2307.16662v1
Date: Mon, 31 Jul 2023 13:44:22 GMT
ステータス: 処理完了
システム内更新日: 2023-08-01 14:20:17.018928
Title: Graph Structure from Point Clouds: Geometric Attention is All You Need
Title（参考訳）: ポイントクラウドからのグラフ構造: 幾何学的注意は必要なすべて
Authors: Daniel Murnane
Abstract要約: 本稿では,グラフを学習空間内に構築し,関係性の流れを幾何学的に処理するアテンション機構を提案する。我々は、トップジェットタグ付けのタスクにおいて、GravNetNormと呼ばれるこのアーキテクチャをテストし、タグ付け精度の競争力を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The use of graph neural networks has produced significant advances in point cloud problems, such as those found in high energy physics. The question of how to produce a graph structure in these problems is usually treated as a matter of heuristics, employing fully connected graphs or K-nearest neighbors. In this work, we elevate this question to utmost importance as the Topology Problem. We propose an attention mechanism that allows a graph to be constructed in a learned space that handles geometrically the flow of relevance, providing one solution to the Topology Problem. We test this architecture, called GravNetNorm, on the task of top jet tagging, and show that it is competitive in tagging accuracy, and uses far fewer computational resources than all other comparable models.
Abstract（参考訳）: グラフニューラルネットワークの使用は、高エネルギー物理学で見られるような点雲問題に大きな進歩をもたらした。これらの問題においてグラフ構造をどのように生成するかという問題は、通常、完全連結グラフやk-ネアレスト近傍を用いて、ヒューリスティックな問題として扱われる。本研究では,この問題をトポロジー問題として最も重要視する。本稿では,グラフを学習空間内に構築し,関係の流れを幾何学的に処理し,トポロジ問題に対する一つの解を提供するアテンション機構を提案する。我々は、トップジェットタグ付けのタスクにおいて、GravNetNormと呼ばれるこのアーキテクチャをテストし、タグ付け精度に競争力があることを示し、他の他のどのモデルよりもはるかに少ない計算資源を使用する。

関連論文リスト

DeepRicci: Self-supervised Graph Structure-Feature Co-Refinement for Alleviating Over-squashing [72.70197960100677]
グラフ構造学習(GSL)はグラフニューラルネットワーク(GNN)を改良したグラフで強化する上で重要な役割を果たしている。 GSLソリューションは、通常、タスク固有の監督(ノード分類)による構造改善に焦点を当てるか、GNN自体の固有の弱点を見落としている。本稿では,典型的なGNNにおけるオーバー・スカッシングの問題を効果的に緩和する,自己教師付きグラフ構造-機能共分法について検討する。
論文参考訳（メタデータ） (2024-01-23T14:06:08Z)
Contrastive Graph Clustering in Curvature Spaces [74.03252813800334]
本研究では,CONGREGATE という新しいグラフクラスタリングモデルを提案する。幾何学的クラスタリングを支援するため、理論的に基底とした不均一曲率空間を構築した。次に、拡張不要な再重み付きコントラスト的アプローチでグラフクラスタをトレーニングする。
論文参考訳（メタデータ） (2023-05-05T14:04:52Z)
Node Embedding from Hamiltonian Information Propagation in Graph Neural Networks [30.42111062496152]
ハミルトン動的GNN(HDG)と呼ばれる新しいグラフ情報伝搬戦略を提案する。 HDGはハミルトン力学を用いてグラフ内のノード埋め込みを学習する。グラフデータセットの基盤となる幾何学をHDGが自動的に学習できることを実証する。
論文参考訳（メタデータ） (2023-03-02T07:40:40Z)
Graph Pooling with Maximum-Weight $k$-Independent Sets [12.251091325930837]
最大ウェイト$k$非依存集合のグラフ理論的概念に基づくグラフ粗化機構を導入する。我々は、経路長の歪み境界の理論的保証と、粗化グラフにおける重要な位相特性を保存できることを証明した。
論文参考訳（メタデータ） (2022-08-06T14:12:47Z)
Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文参考訳（メタデータ） (2022-04-15T04:02:06Z)
Online Time-Varying Topology Identification via Prediction-Correction Algorithms [36.620113114806294]
非定常環境で動作する汎用オンラインアルゴリズムを提案する。反復制限された性質のため、提案手法はグラフトポロジの固有の時間的正則化を明示的に強制することなく示している。
論文参考訳（メタデータ） (2020-10-22T12:02:27Z)
Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文参考訳（メタデータ） (2020-07-18T01:11:14Z)
GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文参考訳（メタデータ） (2020-07-07T16:51:39Z)
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)
A Dynamic Reduction Network for Point Clouds [0.0]
画像全体を分類することは機械学習の古典的な問題であり、グラフニューラルネットワークは非常に不規則な幾何学を学ぶための強力な手法である。本稿では,所定のグラフ構造の必要性を排除したプーリングの動的グラフ定式化を導入する。ネットワークアーキテクチャは、表現サイズと効率性を考慮した興味深い結果をもたらす。
論文参考訳（メタデータ） (2020-03-18T02:10:12Z)
Graph Signal Processing -- Part III: Machine Learning on Graphs, from Graph Topology to Applications [19.29066508374268]
このモノグラフのパートIIIは、グラフトポロジーを学ぶ方法に対処することから始まる。特に注目されるのは、観測データの相関および精度行列に基づくグラフトポロジーの定義である。スパースグラフの学習には、LASSOとして知られる最小絶対縮小と選択演算子を用いる。
論文参考訳（メタデータ） (2020-01-02T13:14:27Z)

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。