論文の概要: Learning Hierarchical Relational Representations through Relational
Convolutions
- arxiv url: http://arxiv.org/abs/2310.03240v2
- Date: Tue, 20 Feb 2024 20:21:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 20:16:49.353774
- Title: Learning Hierarchical Relational Representations through Relational
Convolutions
- Title(参考訳): 関係畳み込みによる階層的関係表現の学習
- 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。
グラフレットフィルタが入力のパッチにマッチする関係畳み込み演算を形式化する。
また、下流タスクに関連するオブジェクトのグルーピングを明示的に学習するためのメカニズムも提案する。
- 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 study of architectures
and inductive biases for learning 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 collection of objects, pairwise relations are
modeled via inner products of feature maps. We formalize a relational
convolution operation in which graphlet filters are matched against patches of
the input (i.e, groupings of objects), capturing the relational pattern in each
group of objects. We also propose mechanisms for explicitly learning groupings
of objects which are relevant to the downstream task. Composing these
operations 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の研究の成熟領域は、関係特徴の学習表現のためのアーキテクチャと帰納バイアスの研究である。
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。
オブジェクトの集合が与えられると、ペアワイズ関係は特徴写像の内部積によってモデル化される。
我々は、グラフレットフィルタが入力のパッチ(オブジェクトのグルーピング)と一致したリレーショナル畳み込み演算を形式化し、各オブジェクト群におけるリレーショナルパターンをキャプチャする。
また、下流タスクに関連するオブジェクトのグループ化を明示的に学習するメカニズムを提案する。
これらの演算を構成すると、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。