Fugu-MT 論文翻訳(概要): A charge-preserving method for solving graph neural diffusion networks

論文の概要: A charge-preserving method for solving graph neural diffusion networks

arxiv url: http://arxiv.org/abs/2312.10279v1
Date: Sat, 16 Dec 2023 01:06:31 GMT
ステータス: 処理完了
システム内更新日: 2023-12-19 17:23:45.966188
Title: A charge-preserving method for solving graph neural diffusion networks
Title（参考訳）: グラフ神経拡散ネットワークのための電荷保存法
Authors: Lidia Aceto and Pietro Antonio Grassi
Abstract要約: 本稿では,グラフニューラルネットワーク(GNN)モデルに基づく拡散問題の数学的解釈について述べる。進化の流れに沿って電荷値とそれらの保存を知っていれば、GNNや他のネットワークが学習能力でどのように機能するかを理解することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The aim of this paper is to give a systematic mathematical interpretation of the diffusion problem on which Graph Neural Networks (GNNs) models are based. The starting point of our approach is a dissipative functional leading to dynamical equations which allows us to study the symmetries of the model. We discuss the conserved charges and provide a charge-preserving numerical method for solving the dynamical equations. In any dynamical system and also in GRAph Neural Diffusion (GRAND), knowing the charge values and their conservation along the evolution flow could provide a way to understand how GNNs and other networks work with their learning capabilities.
Abstract（参考訳）: 本研究の目的は,グラフニューラルネットワーク(GNN)モデルに基づく拡散問題の数学的体系的な解釈を提供することである。我々のアプローチの出発点は、モデルの対称性を研究することができる動的方程式につながる散逸関数である。保存電荷について考察し, 動的方程式を解くための電荷保存数値解法を提案する。任意の力学系およびグラフニューラルネットワーク拡散(grand)において、電荷値とその進化の流れに沿った保存を知ることは、gnnや他のネットワークが学習能力をどのように扱うかを理解する手段となる。

関連論文リスト

Graph Neural Reaction Diffusion Models [14.164952387868341]
本稿では,ニューラルRDシステムに基づく反応GNNの新たなファミリーを提案する。本稿では,RDGNNの理論的特性とその実装について論じるとともに,最先端手法の競争性能を向上させるか,提供するかを示す。
論文参考訳（メタデータ） (2024-06-16T09:46:58Z)
Graph Neural Aggregation-diffusion with Metastability [4.040326569845733]
微分方程式に基づく連続グラフニューラルモデルはグラフニューラルネット(GNN)のアーキテクチャを拡張した相互作用ポテンシャルによって誘導される非線形拡散と凝集の微妙なバランスを含むグラフ凝集拡散方程式に着想を得たGRADEを提案する。我々はGRADEが様々なベンチマークで競合性能を達成し、GNNにおける過度にスムースな問題を軽減することを証明した。
論文参考訳（メタデータ） (2024-03-29T15:05:57Z)
Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文参考訳（メタデータ） (2024-02-20T15:23:24Z)
Signed Graph Neural Ordinary Differential Equation for Modeling Continuous-time Dynamics [13.912268915939656]
グラフニューラルネットワークを通常の微分方程式と統合する一般的なアプローチは、有望な性能を示している。符号付きグラフニューラル常微分方程式は,符号付き情報の誤キャプチャの限界に十分対処する。提案したソリューションは、柔軟性と効率性の両方を誇っている。
論文参考訳（メタデータ） (2023-12-18T13:45:33Z)
Resilient Graph Neural Networks: A Coupled Dynamical Systems Approach [12.856220339384269]
グラフニューラルネットワーク(GNN)は、さまざまなグラフベースのタスクに対処するための重要なコンポーネントとして、自らを確立している。彼らの顕著な成功にもかかわらず、GNNは相変わらず敵の攻撃の形で摂動を入力できる。本稿では, 連成力学系のレンズを用いて, 対向摂動に対するGNNの強化手法を提案する。
論文参考訳（メタデータ） (2023-11-12T20:06:48Z)
Advective Diffusion Transformers for Topological Generalization in Graph Learning [69.2894350228753]
グラフ拡散方程式は、様々なグラフトポロジーの存在下で、どのように外挿して一般化するかを示す。本稿では,新たなグラフエンコーダのバックボーンであるAdvective Diffusion Transformer (ADiT)を提案する。
論文参考訳（メタデータ） (2023-10-10T08:40:47Z)
Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文参考訳（メタデータ） (2023-05-16T11:38:19Z)
Geometric Knowledge Distillation: Topology Compression for Graph Neural Networks [80.8446673089281]
グラフトポロジ情報をグラフニューラルネットワーク(GNN)に符号化することを目的とした知識伝達の新しいパラダイムについて検討する。本稿では,GNNのアーキテクチャに関する基礎となる多様体の幾何学的性質をカプセル化するためのニューラルヒートカーネル(NHK)を提案する。基本的な原理的解法は、NHKを幾何学的知識蒸留(Geometric Knowledge Distillation)と呼ばれる教師モデルと学生モデルに合わせることで導かれる。
論文参考訳（メタデータ） (2022-10-24T08:01:58Z)
EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文参考訳（メタデータ） (2022-02-21T18:59:03Z)
Artificial neural network as a universal model of nonlinear dynamical systems [0.0]
このマップは、重みがモデル化されたシステムをエンコードする人工知能ニューラルネットワークとして構築されている。ローレンツ系、ロースラー系およびヒンドマール・ロースニューロンを考察する。誘引子、パワースペクトル、分岐図、リャプノフ指数の視覚像に高い類似性が観察される。
論文参考訳（メタデータ） (2021-03-06T16:02:41Z)
E(n) Equivariant Graph Neural Networks [86.75170631724548]
本稿では,E(n)-Equivariant Graph Neural Networks (EGNNs) と呼ばれる回転,翻訳,反射,置換に等価なグラフニューラルネットワークを学習する新しいモデルを提案する。既存の手法とは対照的に、私たちの仕事は計算的に高価な中間層における高階表現を必要としません。
論文参考訳（メタデータ） (2021-02-19T10:25:33Z)

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。