論文の概要: Frequency Convergence of Complexon Shift Operators (Extended Version)
- arxiv url: http://arxiv.org/abs/2309.07169v2
- Date: Fri, 15 Sep 2023 06:22:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-18 17:27:53.789803
- Title: Frequency Convergence of Complexon Shift Operators (Extended Version)
- Title(参考訳): コンプレックスシフト作用素の周波数収束(拡張版)
- Authors: Purui Zhang, Xingchao Jian, Feng Ji, Wee Peng Tay, Bihan Wen
- Abstract要約: 本研究では,グラフトンの高次化によるトポロジカル信号処理の転送可能性について検討する。
グラノンシフト作用素の積分作用素形式に着想を得て、境界複素数と複素数シフト作用素を構築する。
simplicial complex sequence が複素数に収束すると、対応する CSO の固有値は極限複素数に収束する。
- 参考スコア(独自算出の注目度): 41.726311941747404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Topological Signal Processing (TSP) utilizes simplicial complexes to model
structures with higher order than vertices and edges. In this paper, we study
the transferability of TSP via a generalized higher-order version of graphon,
known as complexon. We recall the notion of a complexon as the limit of a
simplicial complex sequence. Inspired by the integral operator form of graphon
shift operators, we construct a marginal complexon and complexon shift operator
(CSO) according to components of all possible dimensions from the complexon. We
investigate the CSO's eigenvalues and eigenvectors, and relate them to a new
family of weighted adjacency matrices. We prove that when a simplicial complex
sequence converges to a complexon, the eigenvalues of the corresponding CSOs
converge to that of the limit complexon. This conclusion is further verified by
a numerical experiment. These results hint at learning transferability on large
simplicial complexes or simplicial complex sequences, which generalize the
graphon signal processing framework.
- Abstract(参考訳): トポロジカル信号処理(TSP)は、単純錯体を用いて頂点や辺よりも高次構造をモデル化する。
本稿では, 一般化された高次グラフトンを用いたTSPの転送可能性について検討する。
複素数列の概念を単純複素列の極限として覚えている。
グラフトンシフト作用素の積分作用素形式に着想を得て、複素数から得られるすべての可能な次元の成分に従って境界複素数および複素数シフト作用素(CSO)を構築する。
我々はCSOの固有値と固有ベクトルを調査し、それらを重み付き隣接行列の新しい族に関連付ける。
simplicial complex sequence が複素数に収束すると、対応する CSO の固有値は極限複素数に収束する。
この結論は数値実験によってさらに検証される。
これらの結果は, グラフ信号処理フレームワークを一般化した, 大規模単純複素数あるいは単純複素数列上での伝達可能性の学習を示唆している。
関連論文リスト
- Inducing Systematicity in Transformers by Attending to Structurally
Quantized Embeddings [60.698130703909804]
トランスフォーマーは、複雑なデータセットでトレーニングされた後、構造と実体の新規な構成に一般化する。
本稿では,SQ-Transformerを提案する。
SQ-Transformerは,複数の低複雑さ意味解析および機械翻訳データセット上で,バニラ変換器よりも強い構成一般化を実現することを示す。
論文 参考訳(メタデータ) (2024-02-09T15:53:15Z) - SC-MAD: Mixtures of Higher-order Networks for Data Augmentation [36.33265644447091]
単純複体は、グラフニューラルネットワーク(GNN)の単純複体モデルへの一般化にインスピレーションを与えた。
本稿では, 線形および非線形混合機構による単純錯体のデータ増大について述べる。
理論的には、合成単純錯体は、同型密度に関して、既存のデータ間で相互に相互作用することを示した。
論文 参考訳(メタデータ) (2023-09-14T06:25:39Z) - DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained
Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。
任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。
各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文 参考訳(メタデータ) (2023-01-23T15:18:54Z) - Bounds on quantum evolution complexity via lattice cryptography [0.0]
量子論における可積分運動とカオス運動の差は、対応する進化作用素の複雑さによって表される。
ここでの複雑性は、時間依存進化作用素とユニタリ群内の原点の間の最短測地線距離として理解されている。
論文 参考訳(メタデータ) (2022-02-28T16:20:10Z) - Spectral Complexity-scaled Generalization Bound of Complex-valued Neural
Networks [78.64167379726163]
本論文は,複素数値ニューラルネットワークの一般化を証明した最初の論文である。
複雑な値の畳み込みニューラルネットワークを異なるデータセット上でトレーニングして実験を行う。
論文 参考訳(メタデータ) (2021-12-07T03:25:25Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳(メタデータ) (2021-10-28T14:59:41Z) - Kolmogorov complexity of unitary transformations in quantum computing [0.0]
ユニタリ変換のコルモゴロフ複雑性は、ベルサイユーム、W. Van Dam、S. Laplanteのコルモゴロフの「量子複雑性」に基づいて構築されている。
量子コンピューティングの文脈では、量子回路または量子コンピュータプログラムを定義し記述するための最小限のデータ量に対応する。
論文 参考訳(メタデータ) (2021-10-10T06:22:58Z) - Signal processing on simplicial complexes [19.035399031968502]
我々は、高次ネットワーク構造でサポートされている信号やデータを処理するために、高次関係をどのように利用できるかという、密接に関連しているが明確な第3の視点に焦点をあてる。
特に、時系列や画像など、通常の領域でサポートされているデータの信号処理からのアイデアをグラフや単純な複合体に拡張する方法について調査する。
論文 参考訳(メタデータ) (2021-06-14T14:56:51Z) - Bilinear Classes: A Structural Framework for Provable Generalization in
RL [119.42509700822484]
Bilinear Classesは強化学習の一般化を可能にする新しい構造フレームワークである。
このフレームワークは、サンプルの複雑さが達成可能な、ほとんどすべての既存のモデルを取り込んでいる。
我々の主な成果は、双線形クラスのためのサンプル複雑性を持つRLアルゴリズムである。
論文 参考訳(メタデータ) (2021-03-19T16:34:20Z) - Operator complexity: a journey to the edge of Krylov space [0.0]
クリロフ複雑性(英: Krylov complexity, K-complexity')は、この成長を特別な基底で定量化する。
有限エントロピー系におけるK-複素性の進化について,スクランブル時間よりも大きい時間スケールについて検討する。
論文 参考訳(メタデータ) (2020-09-03T18:10:20Z)
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。