論文の概要: Algebraic Topological Networks via the Persistent Local Homology Sheaf
- arxiv url: http://arxiv.org/abs/2311.10156v1
- Date: Thu, 16 Nov 2023 19:24:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 15:38:54.992227
- Title: Algebraic Topological Networks via the Persistent Local Homology Sheaf
- Title(参考訳): 局所ホモロジーシーフを用いた代数的トポロジカルネットワーク
- Authors: Gabriele Cesa, Arash Behboodi
- Abstract要約: データの局所的トポロジ特性を取り入れたグラフ畳み込みとアテンションモジュールを新たに導入する。
我々は,グラフニューラルネットワークの機能に付加的な構造を組み込むために,これまで利用されてきたせん断ニューラルネットワークの枠組みを考察する。
- 参考スコア(独自算出の注目度): 15.17547132363788
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we introduce a novel approach based on algebraic topology to
enhance graph convolution and attention modules by incorporating local
topological properties of the data. To do so, we consider the framework of
sheaf neural networks, which has been previously leveraged to incorporate
additional structure into graph neural networks' features and construct more
expressive, non-isotropic messages. Specifically, given an input simplicial
complex (e.g. generated by the cliques of a graph or the neighbors in a point
cloud), we construct its local homology sheaf, which assigns to each node the
vector space of its local homology. The intermediate features of our networks
live in these vector spaces and we leverage the associated sheaf Laplacian to
construct more complex linear messages between them. Moreover, we extend this
approach by considering the persistent version of local homology associated
with a weighted simplicial complex (e.g., built from pairwise distances of
nodes embeddings). This i) solves the problem of the lack of a natural choice
of basis for the local homology vector spaces and ii) makes the sheaf itself
differentiable, which enables our models to directly optimize the topology of
their intermediate features.
- Abstract(参考訳): 本稿では,データの局所位相的性質を取り入れることでグラフ畳み込みとアテンション加群を強化するための代数トポロジーに基づく新しいアプローチを提案する。
そこで我々は,これまでグラフニューラルネットワークの機能に付加的な構造を導入し,より表現力のある非等方的メッセージを構築するために利用されてきた,せん断ニューラルネットワークの枠組みを検討する。
具体的には、入力単純複体(例えば、点クラウド内のグラフまたは近傍のクランクによって生成される)が与えられたとき、その局所ホモロジー層を構築し、各ノードに局所ホモロジーのベクトル空間を割り当てる。
ネットワークの中間的特徴はベクトル空間に存在し、関連する層ラプラシアンを利用してそれらの間のより複雑な線形メッセージを構築する。
さらに、重み付き単純複体(例えば、ノード埋め込みの対距離から構築される)に関連する局所ホモロジーの永続バージョンを考えることにより、このアプローチを拡張する。
これ
一 局所ホモロジーベクトル空間に対する基底の自然な選択の欠如の問題とその解決
ii) せん断自体を識別可能にすることにより, 我々のモデルでは, 中間特徴の位相を直接最適化することができる。
関連論文リスト
- SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。
私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。
アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文 参考訳(メタデータ) (2024-09-30T17:59:03Z) - A rank decomposition for the topological classification of neural representations [0.0]
この研究では、ニューラルネットワークが連続的なピースワイズアフィンマップと等価であるという事実を活用している。
多様体 $mathcalM$ と部分集合 $A$ の商のホモロジー群を研究し、これらの空間上のいくつかの極小性質を仮定する。
ランダムに狭いネットワークでは、データ多様体の(コ)ホモロジー群が変化する領域が存在することを示す。
論文 参考訳(メタデータ) (2024-04-30T17:01:20Z) - Topological Neural Networks: Mitigating the Bottlenecks of Graph Neural
Networks via Higher-Order Interactions [1.994307489466967]
この研究は、メッセージパッシングニューラルネットワークにおいて、ネットワークの幅、深さ、グラフトポロジがオーバーカッシング現象に与える影響を明らかにする理論的枠組みから始まる。
この研究は、トポロジカルニューラルネットワークを通して高次相互作用と多関係帰納バイアスへと流れていく。
グラフ注意ネットワークにインスパイアされた2つのトポロジカルアテンションネットワーク(Simplicial and Cell Attention Networks)が提案されている。
論文 参考訳(メタデータ) (2024-02-10T08:26:06Z) - Data Topology-Dependent Upper Bounds of Neural Network Widths [52.58441144171022]
まず、3層ニューラルネットワークがコンパクトな集合上のインジケータ関数を近似するように設計可能であることを示す。
その後、これは単純複体へと拡張され、その位相構造に基づいて幅の上界が導かれる。
トポロジカルアプローチを用いて3層ReLUネットワークの普遍近似特性を証明した。
論文 参考訳(メタデータ) (2023-05-25T14:17:15Z) - Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。
GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文 参考訳(メタデータ) (2022-05-07T04:11:23Z) - 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) - Spectral-Spatial Global Graph Reasoning for Hyperspectral Image
Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。
近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文 参考訳(メタデータ) (2021-06-26T06:24:51Z) - Field Convolutions for Surface CNNs [19.897276088740995]
簡単な観測に基づいてベクトル場に作用する新しい曲面畳み込み演算子を提案する。
この定式化は、散乱演算において内在的な空間畳み込みと平行輸送を組み合わせる。
基本幾何処理タスクにおける標準ベンチマークの最先端結果を得る。
論文 参考訳(メタデータ) (2021-04-08T17:11:14Z) - Building powerful and equivariant graph neural networks with structural
message-passing [74.93169425144755]
本稿では,2つのアイデアに基づいた,強力かつ同変なメッセージパッシングフレームワークを提案する。
まず、各ノードの周囲の局所的コンテキスト行列を学習するために、特徴に加えてノードの1ホット符号化を伝搬する。
次に,メッセージのパラメトリゼーション手法を提案する。
論文 参考訳(メタデータ) (2020-06-26T17:15:16Z)
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。