論文の概要: ICML 2023 Topological Deep Learning Challenge : Design and Results
- arxiv url: http://arxiv.org/abs/2309.15188v4
- Date: Thu, 18 Jan 2024 17:21:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 20:10:50.403610
- Title: ICML 2023 Topological Deep Learning Challenge : Design and Results
- Title(参考訳): ICML 2023 トポロジカルディープラーニングチャレンジ : 設計と結果
- Authors: Mathilde Papillon, Mustafa Hajij, Helen Jenne, Johan Mathe, Audun
Myers, Theodore Papamarkou, Tolga Birdal, Tamal Dey, Tim Doster, Tegan
Emerson, Gurusankar Gopalakrishnan, Devendra Govil, Aldo Guzm\'an-S\'aenz,
Henry Kvinge, Neal Livesay, Soham Mukherjee, Shreyas N. Samaga, Karthikeyan
Natesan Ramamurthy, Maneel Reddy Karri, Paul Rosen, Sophia Sanborn, Robin
Walters, Jens Agerberg, Sadrodin Barikbin, Claudio Battiloro, Gleb Bazhenov,
Guillermo Bernardez, Aiden Brent, Sergio Escalera, Simone Fiorellino, Dmitrii
Gavrilev, Mohammed Hassanin, Paul H\"ausner, Odin Hoff Gardaa, Abdelwahed
Khamis, Manuel Lecha, German Magai, Tatiana Malygina, Rub\'en Ballester,
Kalyan Nadimpalli, Alexander Nikitin, Abraham Rabinowitz, Alessandro
Salatiello, Simone Scardapane, Luca Scofano, Suraj Singh, Jens Sj\"olund,
Pavel Snopov, Indro Spinelli, Lev Telyatnikov, Lucia Testa, Maosheng Yang,
Yixiao Yue, Olga Zaghen, Ali Zia, Nina Miolane
- Abstract要約: コンペティションは参加者に、文献からトポロジカルニューラルネットワークのオープンソース実装を提供するよう求めた。
この挑戦は2ヶ月の期間に28の予選の応募を惹きつけた。
本稿では,課題の設計について述べるとともに,その主な知見を要約する。
- 参考スコア(独自算出の注目度): 83.5003281210199
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents the computational challenge on topological deep learning
that was hosted within the ICML 2023 Workshop on Topology and Geometry in
Machine Learning. The competition asked participants to provide open-source
implementations of topological neural networks from the literature by
contributing to the python packages TopoNetX (data processing) and TopoModelX
(deep learning). The challenge attracted twenty-eight qualifying submissions in
its two-month duration. This paper describes the design of the challenge and
summarizes its main findings.
- Abstract(参考訳): 本稿では、ICML 2023 Workshop on Topology and Geometry in Machine Learningにホストされたトポロジ的深層学習に関する計算課題について述べる。
コンペティションは参加者に対して、PythonパッケージのTopoNetX(データ処理)とTopoModelX(ディープラーニング)にコントリビュートすることで、文献からトポロジカルニューラルネットワークのオープンソース実装を提供するように求めた。
この挑戦は2ヶ月の期間で28の応募を惹きつけた。
本稿では,課題の設計について述べるとともに,その主な知見を概説する。
関連論文リスト
- The Robust Semantic Segmentation UNCV2023 Challenge Results [99.97867942388486]
本稿では,ICCV 2023で実施されたMUAD不確実性定量化問題に対処するために用いられる勝利解について概説する。
この課題は、都市環境におけるセマンティックセグメンテーションを中心に、特に自然の敵対的なシナリオに焦点を当てた。
本報告では, 最先端の不確実性定量化手法からインスピレーションを得た19件の論文を提示する。
論文 参考訳(メタデータ) (2023-09-27T08:20:03Z) - Homological Neural Networks: A Sparse Architecture for Multivariate
Complexity [0.0]
我々は,基礎となるデータのホモロジー構造上に構築された,疎密な高階グラフィカルアーキテクチャを特徴とする,新しいディープニューラルネットワークユニットを開発する。
その結果、この新しい設計の利点は、ごく少数のパラメータだけで最先端の機械学習モデルとディープラーニングモデルの結果を結び付けるか、克服することができる。
論文 参考訳(メタデータ) (2023-06-27T09:46:16Z) - 3rd Continual Learning Workshop Challenge on Egocentric Category and
Instance Level Object Understanding [20.649762891903602]
本稿では,CVPR 2022の第3回コンピュータビジョン学習ワークショップ(CLVision)における課題のアイデア,設計選択,ルール,結果について要約する。
このコンペティションの焦点は、複雑な連続物体検出タスクであり、分類タスクと比較して、文学においてまだ過小評価されている。
論文 参考訳(メタデータ) (2022-12-13T11:51:03Z) - Piecewise Linear Neural Networks and Deep Learning [27.02556725989978]
PieceWise Linear Neural Networks (PWLNN) は様々な分野で成功している。
1977年、標準表現は、漸進的な設計から学んだ浅いPWLNNの研究の先駆者となった。
2010年、Rectified Linear Unit (ReLU) は深層学習におけるPWLNNの普及を提唱した。
論文 参考訳(メタデータ) (2022-06-18T08:41:42Z) - Towards Machine Learning for Placement and Routing in Chip Design: a
Methodological Overview [72.79089075263985]
配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。
機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
論文 参考訳(メタデータ) (2022-02-28T06:28:44Z) - Neural Architecture Search for Dense Prediction Tasks in Computer Vision [74.9839082859151]
ディープラーニングは、ニューラルネットワークアーキテクチャエンジニアリングに対する需要の高まりにつながっている。
ニューラルネットワーク検索(NAS)は、手動ではなく、データ駆動方式でニューラルネットワークアーキテクチャを自動設計することを目的としている。
NASはコンピュータビジョンの幅広い問題に適用されている。
論文 参考訳(メタデータ) (2022-02-15T08:06:50Z) - A Method to Predict Semantic Relations on Artificial Intelligence Papers [0.0]
本稿では,グラフニューラルネットワーク(Graph Neural Networks)と呼ばれる深層学習アプローチの新たなファミリに基づいて,大規模進化型ネットワークにおけるリンクの出現を予測するソリューションを提案する。
この課題の結果,計算効率のよい近似モデルを得るためには,厳密な制約を課す必要があっても,我々のソリューションは競争力があることが示された。
本稿では,ノードのサブグラフによる吸収と,より密度の高いサブグラフの結合という,関連する2つの異なるパターンを学習していることを示唆する。
論文 参考訳(メタデータ) (2022-01-24T18:27:17Z) - Interpreting Deep Knowledge Tracing Model on EdNet Dataset [67.81797777936868]
この作業では、EdNetと呼ばれる大規模で新しく利用可能なデータセット上で、同様のタスクを実行します。
予備実験の結果,解釈手法の有効性が示された。
論文 参考訳(メタデータ) (2021-10-31T07:18:59Z) - The Graph Neural Networking Challenge: A Worldwide Competition for
Education in AI/ML for Networks [3.312457624805193]
国際通信連合(ITU)は、オープングローバルな競争である「ITU AI/ML in 5G Challenge」を組織した。
本稿では,提案する課題の1つ,「グラフニューラルネットワークチャレンジ2020」を整理した経験を紹介する。
結果として、この課題は、このトピックに関心のある人なら誰でも、オープンに利用できる教育リソースの、キュレートされたセットを残している。
論文 参考訳(メタデータ) (2021-07-26T18:52:00Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。