論文の概要: Position: Topological Deep Learning is the New Frontier for Relational Learning

• arxiv url: http://arxiv.org/abs/2402.08871v3
• Date: Tue, 6 Aug 2024 16:38:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 19:22:06.485912
• Title: Position: Topological Deep Learning is the New Frontier for Relational Learning
• Title（参考訳）: 位置: トポロジカルディープラーニングは関係学習の新しいフロンティアである
• Authors: Theodore Papamarkou, Tolga Birdal, Michael Bronstein, Gunnar Carlsson, Justin Curry, Yue Gao, Mustafa Hajij, Roland Kwitt, Pietro Liò, Paolo Di Lorenzo, Vasileios Maroulas, Nina Miolane, Farzana Nasrin, Karthikeyan Natesan Ramamurthy, Bastian Rieck, Simone Scardapane, Michael T. Schaub, Petar Veličković, 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がリレーショナル学習の新たなフロンティアであることを示す。
• 参考スコア（独自算出の注目度）: 51.05869778335334
• 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 is the new frontier for relational learning. 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がリレーショナル学習の新たなフロンティアであることを示す。 TDLは、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対して自然な選択を与えることができる。 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、本論文は、この新興分野の可能性を解き明かすため、TDL研究に積極的に参加するため、科学界への招待として役立ちます。

関連論文リスト

• Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
  オントロジはドメイン知識とメタデータを表現するために広く使われている。 1つの簡単な解決策は、統計分析と機械学習を統合することである。 埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
  論文  参考訳（メタデータ） (2024-06-16T14:49:19Z)
• ALPINE: Unveiling the Planning Capability of Autoregressive Learning in Language Models [48.559185522099625]
  計画は人間の知性と現代大言語モデル(LLM)の両方の重要な要素である 本稿では,トランスフォーマーを用いたLLMにおける次の単語予測機構による計画能力の出現について検討する。
  論文  参考訳（メタデータ） (2024-05-15T09:59:37Z)
• Graph Neural Networks for Tabular Data Learning: A Survey with Taxonomy and Directions [10.753191494611892]
  グラフニューラルネットワーク(GNN)を用いた語彙データ学習 GNNは、様々なタブラルデータ学習領域にまたがって、大きな関心を集め、応用している。 この調査は、研究者や実践者のリソースとして役立ち、TDLの革命におけるGNNの役割を深く理解している。
  論文  参考訳（メタデータ） (2024-01-04T08:49:10Z)
• Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
  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)
• 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)
• 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)
• Towards Interpretable Deep Learning Models for Knowledge Tracing [62.75876617721375]
  本稿では,深層学習に基づく知識追跡(DLKT)モデルの解釈可能性問題に対処するポストホック手法を提案する。 具体的には、RNNに基づくDLKTモデルを解釈するために、レイヤワイズ関連伝搬法(LRP)を適用することに焦点をあてる。 実験結果から,DLKTモデルの予測をLRP法で解釈できることを示す。
  論文  参考訳（メタデータ） (2020-05-13T04:03:21Z)

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。