論文の概要: Position Paper: Challenges and Opportunities in Topological Deep
Learning
- arxiv url: http://arxiv.org/abs/2402.08871v1
- Date: Wed, 14 Feb 2024 00:35:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 17:20:40.183518
- Title: Position Paper: Challenges and Opportunities in Topological Deep
Learning
- Title(参考訳): 位置論文:トポロジカル深層学習における挑戦と機会
- Authors: Theodore Papamarkou, Tolga Birdal, Michael Bronstein, Gunnar Carlsson,
Justin Curry, Yue Gao, Mustafa Hajij, Roland Kwitt, Pietro Li\`o, Paolo Di
Lorenzo, Vasileios Maroulas, Nina Miolane, Farzana Nasrin, Karthikeyan
Natesan Ramamurthy, Bastian Rieck, Simone Scardapane, Michael T. Schaub,
Petar Veli\v{c}kovi\'c, Bei Wang, Yusu Wang, Guo-Wei Wei, Ghada Zamzmi
- Abstract要約: トポロジカルディープラーニング(TDL)は、トポロジカルな特徴を用いてディープラーニングモデルを理解し設計する、急速に進化する分野である。
本稿では,TDLがトポロジ的概念を取り入れたグラフ表現学習と幾何学的深層学習を補完する可能性を示唆する。
- 参考スコア(独自算出の注目度): 47.973502965701336
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Topological deep learning (TDL) is a rapidly evolving field that uses
topological features to understand and design deep learning models. This paper
posits that TDL may complement graph representation learning and geometric deep
learning by incorporating topological concepts, and can thus provide a natural
choice for various machine learning settings. To this end, this paper discusses
open problems in TDL, ranging from practical benefits to theoretical
foundations. For each problem, it outlines potential solutions and future
research opportunities. At the same time, this paper serves as an invitation to
the scientific community to actively participate in TDL research to unlock the
potential of this emerging field.
- Abstract(参考訳): トポロジカルディープラーニング(TDL)は、トポロジカルな特徴を用いてディープラーニングモデルを理解し設計する、急速に進化する分野である。
本稿では,TDLがトポロジ的概念を取り入れたグラフ表現学習と幾何学的深層学習を補完し,様々な機械学習設定に自然選択を与える可能性を示唆する。
そこで本研究では,実用的メリットから理論的基礎まで,TDLのオープンな問題について論じる。
それぞれの問題に対して、潜在的な解決策と将来の研究機会を概説する。
同時に,本稿は,tdl研究に積極的に参加して,この新興分野の可能性を解き放つよう,科学コミュニティに呼びかける役割を担っている。
関連論文リスト
- Open-world Machine Learning: A Review and New Outlooks [83.6401132743407]
本稿では,新たなオープンワールド機械学習パラダイムを包括的に紹介することを目的としている。
研究者がそれぞれの分野でより強力なAIシステムを構築するのを支援し、人工知能の開発を促進することを目的としている。
論文 参考訳(メタデータ) (2024-03-04T06:25:26Z) - Towards Graph Foundation Models: A Survey and Beyond [68.35562541338865]
ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。
基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。
本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
論文 参考訳(メタデータ) (2023-10-18T09:31:21Z) - Architectures of Topological Deep Learning: A Survey of Message-Passing
Topological Neural Networks [5.324479750432588]
トポロジカルディープラーニング(TDL)は、複雑なシステムに関連するデータから知識を処理、抽出するためのフレームワークを提供する。
TDLは、応用科学以上の分野において、破滅の約束を守る理論的、実践的な利点を示してきた。
リレーショナルシステムにおけるTDL文学の急速な発展は、メッセージパストトポロジカルニューラルネットワーク(TNN)アーキテクチャにおける表記と言語の統合の欠如につながっている。
これは、既存の作業に基づいて構築し、メッセージパッシングTNNを新たな現実的な問題にデプロイする上で、真の障害となる。
論文 参考訳(メタデータ) (2023-04-20T01:02:13Z) - Topological Deep Learning: A Review of an Emerging Paradigm [13.922282370294392]
トポロジカルデータ分析は多次元データの大域的記述を提供する。
まず,TDAの中核となる概念を再考し,トポロジカルディープラーニングの分野を概観する。
次に、ディープラーニングフレームワークをサポートするために、TDAテクニックの使用が時間とともにどのように進化してきたかについて検討する。
論文 参考訳(メタデータ) (2023-02-08T02:11:24Z) - Information Extraction in Low-Resource Scenarios: Survey and Perspective [60.67550275379953]
情報抽出は構造化されていないテキストから構造化された情報を導き出そうとする。
本稿では,emphLLMおよびemphLLMに基づく低リソースIEに対するニューラルアプローチについて概説する。
論文 参考訳(メタデータ) (2022-02-16T13:44:00Z) - Learning Description Logic Ontologies. Five Approaches. Where Do They
Stand? [14.650545418986058]
我々は、記述論理(DL)の作成のために提案された機械学習とデータマイニングのアプローチを強調した。
これらは関連ルールマイニング、形式的概念分析、帰納的論理プログラミング、計算学習理論、ニューラルネットワークに基づいている。
論文 参考訳(メタデータ) (2021-04-02T18:36:45Z) - Deep Learning for Road Traffic Forecasting: Does it Make a Difference? [6.220008946076208]
本稿では,このITS研究領域におけるDeep Learningの活用に言及した技術の現状を批判的に分析することに焦点を当てる。
後続の批判分析は、交通予測のためのディープラーニングの問題について、質問を定式化し、必要な議論を引き起こす。
論文 参考訳(メタデータ) (2020-12-02T15:56:11Z) - Semantic and Relational Spaces in Science of Science: Deep Learning
Models for Article Vectorisation [4.178929174617172]
我々は、自然言語処理(NLP)とグラフニューラルネットワーク(GNN)を用いて、記事の意味的・関係的な側面に基づく文書レベルの埋め込みに焦点を当てる。
論文のセマンティックな空間をNLPでエンコードできるのに対し、GNNでは研究コミュニティの社会的実践をエンコードするリレーショナルな空間を構築することができる。
論文 参考訳(メタデータ) (2020-11-05T14:57:41Z) - A Chain Graph Interpretation of Real-World Neural Networks [58.78692706974121]
本稿では,NNを連鎖グラフ(CG)、フィードフォワードを近似推論手法として識別する別の解釈を提案する。
CG解釈は、確率的グラフィカルモデルのリッチな理論的枠組みの中で、各NNコンポーネントの性質を規定する。
我々は,CG解釈が様々なNN技術に対する新しい理論的支援と洞察を提供することを示す具体例を実例で示す。
論文 参考訳(メタデータ) (2020-06-30T14:46:08Z) - Heterogeneous Representation Learning: A Review [66.12816399765296]
不均一表現学習(HRL)には、いくつかの独特な課題がある。
異種入力を用いて既存の学習環境をモデル化可能な統合学習フレームワークを提案する。
HRLでは触れられていない課題と今後の研究方向性を強調します。
論文 参考訳(メタデータ) (2020-04-28T05:12:31Z)
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。