Fugu-MT 論文翻訳(概要): EinExprs: Contraction Paths of Tensor Networks as Symbolic Expressions

論文の概要: EinExprs: Contraction Paths of Tensor Networks as Symbolic Expressions

arxiv url: http://arxiv.org/abs/2403.18030v1
Date: Tue, 26 Mar 2024 18:38:00 GMT
ステータス: 処理完了
システム内更新日: 2024-03-28 21:14:58.326006
Title: EinExprs: Contraction Paths of Tensor Networks as Symbolic Expressions
Title（参考訳）: EinExprs:記号表現としてのテンソルネットワークの収縮経路
Authors: Sergio Sanchez-Ramirez, Jofre Vallès-Muns, Artur Garcia-Saez,
Abstract要約: We present EinExprs.jl, a Julia package for contraction path that provides state-of-the-art method。シンボル表現に基づくネットワークの縮退経路の表現を提案する。本稿では,ランダム量子回路のシミュレーションから得られた例を用いて,このライブラリをベンチマークする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Tensor Networks are graph representations of summation expressions in which vertices represent tensors and edges represent tensor indices or vector spaces. In this work, we present EinExprs.jl, a Julia package for contraction path optimization that offers state-of-art optimizers. We propose a representation of the contraction path of a Tensor Network based on symbolic expressions. Using this package the user may choose among a collection of different methods such as Greedy algorithms, or an approach based on the hypergraph partitioning problem. We benchmark this library with examples obtained from the simulation of Random Quantum Circuits (RQC), a well known example where Tensor Networks provide state-of-the-art methods.
Abstract（参考訳）: テンソルネットワークは、頂点がテンソルを表す和表現のグラフ表現であり、エッジはテンソル指標またはベクトル空間を表す。本稿では,契約パス最適化のためのJuliaパッケージであるEinExprs.jlを紹介する。本稿では,記号表現に基づくテンソルネットワークの縮退経路の表現を提案する。このパッケージを使用することで、ユーザはGreedyアルゴリズムやハイパーグラフパーティショニング問題に基づくアプローチなど、さまざまなメソッドのコレクションを選択することができる。我々は、このライブラリを、Tensor Networksが最先端の手法を提供する有名な例であるRandom Quantum Circuits(RQC)のシミュレーションから得られた例でベンチマークする。

関連論文リスト

One-step replica symmetry breaking in the language of tensor networks [0.913755431537592]
我々は1段階のレプリカ対称性破断空洞法とテンソルネットワークの正確なマッピングを開発する。この2つのスキームは補足的な数学的および数値的なツールボックスを備えており、芸術のそれぞれの状態を改善するために利用することができる。
論文参考訳（メタデータ） (2023-06-26T18:42:51Z)
From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文参考訳（メタデータ） (2023-06-16T04:40:59Z)
Discrete Graph Auto-Encoder [52.50288418639075]
離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
論文参考訳（メタデータ） (2023-06-13T12:40:39Z)
Efficient Subgraph Isomorphism using Graph Topology [10.332465264309693]
部分グラフ同型 (subgraph isomorphism) あるいは部分グラフマッチング (subgraph matching) は一般にNP完全問題と考えられる。ほとんど全てのサブグラフマッチング手法はノードラベルを使用してノード-ノードマッチングを行う。本稿では,ノードラベルのない不正確な場合において,サブグラフとフルグラフのノード対応を同定する手法を提案する。
論文参考訳（メタデータ） (2022-09-15T02:45:05Z)
The PWLR Graph Representation: A Persistent Weisfeiler-Lehman scheme with Random Walks for Graph Classification [0.6999740786886536]
グラフ表現のための永続Weisfeiler-Lehmanランダムウォークスキーム(PWLR)。我々はWeisfeiler-Lehmanプロシージャの多くの変種を一般化する。
論文参考訳（メタデータ） (2022-08-29T08:50:37Z)
Asymptotics of Network Embeddings Learned via Subsampling [4.23373349945751]
本研究では,ノード2vecのようなサブサンプリング手法を用いて,単一の統一フレームワークへの表現手法について検討する。これは、埋め込みベクトルが何を表現し、これらのメソッドが下流のタスクでいかにうまく機能するかを理解するための理論的基盤を提供する。特に、一般的に使用される損失関数は、Fisher整合性の欠如などの欠点を引き起こす可能性があることを観察する。
論文参考訳（メタデータ） (2021-07-06T02:54:53Z)
Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
論文参考訳（メタデータ） (2020-11-06T12:17:01Z)
Quiver Signal Processing (QSP) [145.6921439353007]
キーバー表現に関する信号処理フレームワークの基礎を述べる。ネットワークにおける異種多次元情報を扱うための信号処理フレームワークを提案する。
論文参考訳（メタデータ） (2020-10-22T08:40:15Z)
Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文参考訳（メタデータ） (2020-06-18T00:55:10Z)
Learning Representations using Spectral-Biased Random Walks on Graphs [18.369974607582584]
このプロセスにおける確率バイアスが、プロセスによって選択されたノードの品質にどの程度影響するかを調査する。我々は、この近傍を正規化ラプラス行列として表されるノードの近傍部分グラフのスペクトルに基づく確率測度として簡潔に捉えた。我々は,様々な実世界のデータセット上で,最先端ノード埋め込み技術に対する我々のアプローチを実証的に評価した。
論文参考訳（メタデータ） (2020-05-19T20:42:43Z)
Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。このようなペア関係を学習するための反復アルゴリズムを提案する。本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文参考訳（メタデータ） (2020-02-19T10:32:03Z)

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。