論文の概要: Relational Convolutional Networks: A framework for learning
representations of hierarchical relations
- arxiv url: http://arxiv.org/abs/2310.03240v1
- Date: Thu, 5 Oct 2023 01:22:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-06 19:50:28.279403
- Title: Relational Convolutional Networks: A framework for learning
representations of hierarchical relations
- Title(参考訳): リレーショナル畳み込みネットワーク:階層的関係の表現を学習するためのフレームワーク
- Authors: Awni Altabaa, John Lafferty
- Abstract要約: 我々は「関係畳み込みネットワーク」と呼ぶアーキテクチャフレームワークを提案する。
リレーショナル・畳み込み」層は、関係テンソルを新しい対象の列に変換し、それぞれ前層のオブジェクト群内の関係を記述する。
これを繰り返すと、高次で階層的な関係の表現が得られる。
- 参考スコア(独自算出の注目度): 2.99146123420045
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A maturing area of research in deep learning is the development of
architectures that can learn explicit representations of relational features.
In this paper, we focus on the problem of learning representations of
hierarchical relations, proposing an architectural framework we call
"relational convolutional networks". Given a sequence of objects, a
"multi-dimensional inner product relation" module produces a relation tensor
describing all pairwise relations. A "relational convolution" layer then
transforms the relation tensor into a sequence of new objects, each describing
the relations within some group of objects at the previous layer. Graphlet
filters, analogous to filters in convolutional neural networks, represent a
template of relations against which the relation tensor is compared at each
grouping. Repeating this yields representations of higher-order, hierarchical
relations. We present the motivation and details of the architecture, together
with a set of experiments to demonstrate how relational convolutional networks
can provide an effective framework for modeling relational tasks that have
hierarchical structure.
- Abstract(参考訳): ディープラーニングにおける成熟した研究領域は、関係的特徴の明示的な表現を学習できるアーキテクチャの開発である。
本稿では,階層的関係の表現を学習する問題に着目し,関係的畳み込みネットワーク(relational convolutional network)と呼ぶアーキテクチャフレームワークを提案する。
対象の列が与えられたとき、「多次元内積関係」加群はすべての対関係を記述する関係テンソルを生成する。
リレーショナル畳み込み」層はその後、関係テンソルを新しい対象の列に変換し、それぞれ前層のオブジェクト群内の関係を記述する。
畳み込みニューラルネットワークのフィルタに類似したグラフレットフィルタは、関係テンソルが各グループで比較される関係のテンプレートを表す。
これを繰り返すと、上位階層関係の表現が得られる。
アーキテクチャのモチベーションと詳細、およびリレーショナル畳み込みネットワークが階層構造を持つリレーショナルタスクをモデル化するための効果的なフレームワークを提供するための一連の実験を示す。
関連論文リスト
- Structural Concept Learning via Graph Attention for Multi-Level
Rearrangement Planning [2.7195102129095003]
本稿では,階層構造を持つシーンに対して,複数レベルのオブジェクトアレンジメント計画を実行するためのディープラーニング手法を提案する。
直感的な構造を持つ自己生成シミュレーションデータセットでトレーニングされ、任意の数のオブジェクトで見えないシーンで動作する。
提案手法を古典的およびモデルベースラインの範囲と比較し,そのシーン理解を活用して性能,柔軟性,効率性を向上することを示す。
論文 参考訳(メタデータ) (2023-09-05T19:35:44Z) - How Deep Neural Networks Learn Compositional Data: The Random Hierarchy
Model [50.45582596865073]
言語と画像の階層構造にインスパイアされた合成タスクのファミリーであるランダム階層モデルを紹介する。
深層ネットワークは、等価なグループを交換するために不変な内部表現を開発することでタスクを学習する。
この結果から, ネットワークは次元の呪いを克服し, 不変表現を構築できることが示唆された。
論文 参考訳(メタデータ) (2023-07-05T09:11:09Z) - Geometric Relational Embeddings: A Survey [39.57716353191535]
本研究では,データ表現に使用される埋め込みジオメトリに基づいて,幾何的リレーショナル埋め込みを下位に調査し,それらを分類する。
埋め込みの各種類の所望の特性(すなわち帰納バイアス)を特定し、潜在的な将来の研究について議論する。
論文 参考訳(メタデータ) (2023-04-24T09:33:30Z) - ViRel: Unsupervised Visual Relations Discovery with Graph-level Analogy [65.5580334698777]
ViRelは、グラフレベルのアナロジーを用いた視覚関係の教師なし発見と学習のための方法である。
本研究では,関係分類において95%以上の精度を達成できることを示す。
さらに、より複雑な関係構造を持つ未確認タスクに一般化する。
論文 参考訳(メタデータ) (2022-07-04T16:56:45Z) - On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。
単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
論文 参考訳(メタデータ) (2022-06-09T16:24:01Z) - Unified Graph Structured Models for Video Understanding [93.72081456202672]
リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。
本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
論文 参考訳(メタデータ) (2021-03-29T14:37:35Z) - Dynamic Language Binding in Relational Visual Reasoning [67.85579756590478]
言語結合型オブジェクトグラフネットワークは,視覚領域とテキスト領域の両方にわたる動的関係構造を持つ最初のニューラル推論手法である。
本手法は,複数の対象関係が関係する高度な質問応答タスクにおいて,他の手法よりも優れる。
論文 参考訳(メタデータ) (2020-04-30T06:26:20Z) - Bidirectional Graph Reasoning Network for Panoptic Segmentation [126.06251745669107]
本稿では,BGRNet(Bidirectional Graph Reasoning Network)を導入し,前景物と背景物間のモジュラー内およびモジュラー間関係について検討する。
BGRNetはまず、インスタンスとセマンティックセグメンテーションの両方でイメージ固有のグラフを構築し、提案レベルとクラスレベルで柔軟な推論を可能にする。
論文 参考訳(メタデータ) (2020-04-14T02:32:10Z)
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。