論文の概要: Automated Inference of Graph Transformation Rules

• arxiv url: http://arxiv.org/abs/2404.02692v1
• Date: Wed, 3 Apr 2024 12:39:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 17:31:03.057990
• Title: Automated Inference of Graph Transformation Rules
• Title（参考訳）: グラフ変換規則の自動推論
• Authors: Jakob L. Andersen, Akbar Davoodi, Rolf Fagerberg, Christoph Flamm, Walter Fontana, Juri Kolčák, Christophe V. F. P. Laurent, Daniel Merkle, Nikolai Nøjgaard,
• Abstract要約: 本稿では,生成的視点と動的視点を組み合わせたグラフ変換モデル構築法を提案する。 得られたモデルは最小限であることを保証するため、モデル圧縮としてアプローチをフレーミングする。 グラフ変換の観点で表されるコルモゴロフ複雑性に、我々の結果がどのように関係しているかを示す。
• 参考スコア（独自算出の注目度）: 0.22388735741994087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The explosion of data available in life sciences is fueling an increasing demand for expressive models and computational methods. Graph transformation is a model for dynamic systems with a large variety of applications. We introduce a novel method of the graph transformation model construction, combining generative and dynamical viewpoints to give a fully automated data-driven model inference method. The method takes the input dynamical properties, given as a "snapshot" of the dynamics encoded by explicit transitions, and constructs a compatible model. The obtained model is guaranteed to be minimal, thus framing the approach as model compression (from a set of transitions into a set of rules). The compression is permissive to a lossy case, where the constructed model is allowed to exhibit behavior outside of the input transitions, thus suggesting a completion of the input dynamics. The task of graph transformation model inference is naturally highly challenging due to the combinatorics involved. We tackle the exponential explosion by proposing a heuristically minimal translation of the task into a well-established problem, set cover, for which highly optimized solutions exist. We further showcase how our results relate to Kolmogorov complexity expressed in terms of graph transformation.
• Abstract（参考訳）: 生命科学で利用可能なデータの爆発は、表現力のあるモデルや計算方法への需要を増している。 グラフ変換は、様々なアプリケーションを持つ動的システムのモデルである。 生成的視点と動的視点を組み合わせたグラフ変換モデル構築の新しい手法を導入し,完全に自動化されたデータ駆動モデル推論手法を提案する。 この方法は、明示的な遷移によって符号化された力学の「スナップショット」として与えられる入力力学特性を取り、互換性のあるモデルを構築する。 得られたモデルは最小限であることを保証するため、(一組のトランジションから一連のルールへ)モデル圧縮としてアプローチをフレーミングする。 圧縮は、構成されたモデルが入力遷移の外での挙動を示すことを許された損失ケースに許容され、入力ダイナミクスの完了を示唆する。 グラフ変換モデル推論の課題は、コンビネータが関与しているため、自然に非常に困難である。 我々は、高度に最適化された解が存在するよく確立された問題、集合被覆に、タスクのヒューリスティックに最小限の変換を提案することによって、指数的爆発に取り組む。 さらに、グラフ変換の観点で表されるコルモゴロフ複雑性との関係について述べる。

関連論文リスト

• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• PGODE: Towards High-quality System Dynamics Modeling [40.76121531452706]
  本稿では,エージェントが相互に相互作用して動作に影響を与えるマルチエージェント力学系をモデル化する問題について検討する。 最近の研究では、主に幾何学グラフを用いてこれらの相互相互作用を表現し、グラフニューラルネットワーク(GNN)によって捉えられている。 本稿では,プロトタイプグラフODE(Prototypeal Graph ODE)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-11T12:04:47Z)
• Provable Tensor Completion with Graph Information [49.08648842312456]
  本稿では,動的グラフ正規化テンソル完備問題の解法として,新しいモデル,理論,アルゴリズムを提案する。 我々はテンソルの低ランクおよび類似度構造を同時に捉える包括的モデルを開発する。 理論の観点からは、提案したグラフの滑らか度正規化と重み付きテンソル核ノルムとの整合性を示す。
  論文  参考訳（メタデータ） (2023-10-04T02:55:10Z)
• Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image Compression [63.56922682378755]
  本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。 提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。 実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-08-17T01:34:51Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Conditional Permutation Invariant Flows [23.740061786510417]
  トラクタブルログ密度を持つ集合値データの条件付き生成確率モデルを提案する。 これらのダイナミクスは、学習可能なセット単位の項とペアの相互作用によって駆動され、どちらもディープニューラルネットワークによってパラメータ化される。 本稿では,(1)視覚的に特定された地図情報に条件付けされた複雑な交通シーン生成,(2)画像に直接条件付けされたオブジェクト境界ボックス生成などのアプリケーションを通じて,このモデルの有用性を解説する。
  論文  参考訳（メタデータ） (2022-06-17T21:43:38Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Lossless Compression of Structured Convolutional Models via Lifting [14.63152363481139]
  我々は, 情報を失うことなく, 対称性を検出し, ニューラルネットワークを圧縮する, シンプルで効率的な手法を提案する。 このような圧縮が構造的畳み込みモデルの大幅な高速化につながることを実験を通じて実証する。
  論文  参考訳（メタデータ） (2020-07-13T08:02:27Z)
• Tensorized Transformer for Dynamical Systems Modeling [0.0]
  動的システムモデリングと言語モデリングタスクの並列性を確立する。 本稿では,データの幾何学的性質を組み込んだトランスモデルを提案する。 高次元力学系の条件確率の細粒度近似を可能にする反復的学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T13:43:37Z)

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。