論文の概要: Geometric Deep Learning: a Temperature Based Analysis of Graph Neural
Networks
- arxiv url: http://arxiv.org/abs/2309.00699v1
- Date: Fri, 1 Sep 2023 18:42:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 01:47:27.140978
- Title: Geometric Deep Learning: a Temperature Based Analysis of Graph Neural
Networks
- Title(参考訳): 幾何学的深層学習:グラフニューラルネットワークの温度に基づく解析
- Authors: M. Lapenna, F. Faglioni, F. Zanchetta, R. Fioresi
- Abstract要約: 重みを非量子および非相対論的粒子として扱う熱力学系として幾何学的深層学習モデルを検討した。
我々は、[7]で以前に定義された温度の概念を用いて、GCNおよびGATモデルのための様々な層でそれを研究する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We examine a Geometric Deep Learning model as a thermodynamic system treating
the weights as non-quantum and non-relativistic particles. We employ the notion
of temperature previously defined in [7] and study it in the various layers for
GCN and GAT models. Potential future applications of our findings are
discussed.
- Abstract(参考訳): 重みを非量子および非相対論的粒子として扱う熱力学系として幾何学的深層学習モデルを検討した。
我々は[7]で以前に定義された温度の概念を採用し、GCNおよびGATモデルのための様々な層で研究する。
本研究の今後の応用について論じる。
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) - A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。
Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。
本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文 参考訳(メタデータ) (2023-12-12T18:44:19Z) - Geometric Knowledge Distillation: Topology Compression for Graph Neural
Networks [80.8446673089281]
グラフトポロジ情報をグラフニューラルネットワーク(GNN)に符号化することを目的とした知識伝達の新しいパラダイムについて検討する。
本稿では,GNNのアーキテクチャに関する基礎となる多様体の幾何学的性質をカプセル化するためのニューラルヒートカーネル(NHK)を提案する。
基本的な原理的解法は、NHKを幾何学的知識蒸留(Geometric Knowledge Distillation)と呼ばれる教師モデルと学生モデルに合わせることで導かれる。
論文 参考訳(メタデータ) (2022-10-24T08:01:58Z) - Developing Machine-Learned Potentials for Coarse-Grained Molecular
Simulations: Challenges and Pitfalls [0.0]
粗粒化(CG)は、原子分解能で達成できるものよりも大きな系とより長い時間スケールで分子特性を調べることができる。
近年,CG粒子相互作用の学習,すなわちCG力場の開発のために機械学習技術が提案されている。
この研究では、各CG粒子に作用する力は、連続的なフィルタ畳み込みによって構築されたSchNetという名前の局所環境の学習された表現と相関する。
論文 参考訳(メタデータ) (2022-09-26T18:32:37Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳(メタデータ) (2022-07-21T12:11:18Z) - Thermodynamics-informed graph neural networks [0.09332987715848712]
幾何的および熱力学的帰納バイアスを用いて、結果の積分スキームの精度と一般化を改善することを提案する。
1つ目は、非ユークリッド幾何学的事前および置換不変ノードとエッジ更新関数を誘導するグラフニューラルネットワークである。
第2のバイアスは、より一般的な非保守的力学をモデル化するために、ハミルトン形式論の拡張である問題のジェネリック構造を学ぶことで強制される。
論文 参考訳(メタデータ) (2022-03-03T17:30:44Z) - Studying Hadronization by Machine Learning Techniques [0.0]
ハドロン化は非摂動過程であり、理論的な記述は第一原理から導出できない。
最終的には、ニューラルネットワークをトレーニングして、物理的プロセスの非線形および非摂動的特徴を学ぶことが可能になる。
論文 参考訳(メタデータ) (2021-11-30T18:38:32Z) - Probabilistic modeling of lake surface water temperature using a
Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。
本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。
結果は、最先端のベイズ深層学習法と比較される。
論文 参考訳(メタデータ) (2021-09-27T09:19:53Z) - A Deep Learning Approach for Predicting Spatiotemporal Dynamics From
Sparsely Observed Data [10.217447098102165]
未知偏微分方程式(PDE)によって駆動される物理過程の学習予測モデルの問題を考える。
本稿では,基礎となるダイナミクスを学習し,分散データサイトを用いてその進化を予測するディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2020-11-30T16:38:00Z) - Learning Manifold Implicitly via Explicit Heat-Kernel Learning [63.354671267760516]
そこで,本研究では,熱カーネルを学習することで,多様体情報を暗黙的に取得する,暗黙的多様体学習の概念を提案する。
学習した熱カーネルは、データ生成のための深層生成モデル(DGM)やベイズ推論のためのスタイン変分勾配Descentなど、さまざまなカーネルベースの機械学習モデルに適用することができる。
論文 参考訳(メタデータ) (2020-10-05T03:39:58Z)
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。