Fugu-MT 論文翻訳(概要): Rapid and Precise Topological Comparison with Merge Tree Neural Networks

論文の概要: Rapid and Precise Topological Comparison with Merge Tree Neural Networks

arxiv url: http://arxiv.org/abs/2404.05879v1
Date: Mon, 8 Apr 2024 21:26:04 GMT
ステータス: 処理完了
システム内更新日: 2024-04-10 16:37:51.052614
Title: Rapid and Precise Topological Comparison with Merge Tree Neural Networks
Title（参考訳）: 統合木ニューラルネットワークによる高速かつ高精度なトポロジ比較
Authors: Yu Qin, Brittany Terese Fasy, Carola Wenk, Brian Summa,
Abstract要約: 本稿では、マージツリー比較用に設計された学習ニューラルネットワークモデルである、マージツリーニューラルネットワーク(MTNN)を紹介する。特に、ベンチマークデータセットで従来の最先端を100倍以上スピードアップし、エラー率を0.1%以下に維持しています。
参考スコア（独自算出の注目度）: 7.443474354626664
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Merge trees are a valuable tool in scientific visualization of scalar fields; however, current methods for merge tree comparisons are computationally expensive, primarily due to the exhaustive matching between tree nodes. To address this challenge, we introduce the merge tree neural networks (MTNN), a learned neural network model designed for merge tree comparison. The MTNN enables rapid and high-quality similarity computation. We first demonstrate how graph neural networks (GNNs), which emerged as an effective encoder for graphs, can be trained to produce embeddings of merge trees in vector spaces that enable efficient similarity comparison. Next, we formulate the novel MTNN model that further improves the similarity comparisons by integrating the tree and node embeddings with a new topological attention mechanism. We demonstrate the effectiveness of our model on real-world data in different domains and examine our model's generalizability across various datasets. Our experimental analysis demonstrates our approach's superiority in accuracy and efficiency. In particular, we speed up the prior state-of-the-art by more than 100x on the benchmark datasets while maintaining an error rate below 0.1%.
Abstract（参考訳）: マージツリーは、スカラーフィールドの科学的可視化に有用なツールであるが、現在のマージツリー比較法は、主にツリーノード間の徹底的なマッチングのために、計算的に高価である。この課題に対処するために、マージツリー比較用に設計された学習ニューラルネットワークモデルであるマージツリーニューラルネットワーク(MTNN)を導入する。 MTNNは高速で高品質な類似性計算を可能にする。まず、グラフの効率的なエンコーダとして登場したグラフニューラルネットワーク(GNN)を用いて、ベクトル空間にマージツリーの埋め込みを学習し、効率的な類似性比較を可能にする方法を示す。次に,木とノードの埋め込みを新しいトポロジカルアテンション機構に統合することにより,類似性の比較をさらに改善する新しいMTNNモデルを定式化する。本研究では,異なる領域における実世界のデータに対するモデルの有効性を実証し,様々なデータセットにおけるモデルの一般化可能性について検討する。我々の実験分析は, 精度と効率性におけるアプローチの優位性を示すものである。特に、ベンチマークデータセットで従来の最先端を100倍以上スピードアップし、エラー率を0.1%以下に維持しています。

関連論文リスト

An efficient solution to Hidden Markov Models on trees with coupled branches [0.0]
木上の隠れモデル(HMM)のフレームワークを拡張して、データのツリーのような構造が結合されたブランチを含むシナリオに対処する。本研究では,木系HMMと分岐した分岐木に対する確率,復号化,パラメータ学習問題を効率的に解くプログラミングアルゴリズムを開発した。
論文参考訳（メタデータ） (2024-06-03T18:00:00Z)
Deep Graph Neural Networks via Flexible Subgraph Aggregation [50.034313206471694]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習し、近隣情報を集約することでノードの表現を学ぶ。本稿では,サブグラフアグリゲーションの観点から,GNNの表現力を評価する。サブグラフアグリゲーションの異なるホップをより柔軟に活用できるサンプリングベースノードレベル残余モジュール(SNR)を提案する。
論文参考訳（メタデータ） (2023-05-09T12:03:42Z)
Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文参考訳（メタデータ） (2022-06-26T16:00:22Z)
Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文参考訳（メタデータ） (2022-05-11T17:43:54Z)
GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed Graph Neural Networks [68.61934077627085]
本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
論文参考訳（メタデータ） (2022-02-01T04:19:50Z)
Structural Optimization Makes Graph Classification Simpler and Better [5.770986723520119]
モデル学習プロセスを簡素化しつつ,グラフ分類性能の向上の可能性を検討する。構造情報アセスメントの進歩に触発されて、グラフから木をコードするデータサンプルを最適化する。本稿では,木カーネルと畳み込みネットワークにこのスキームを実装し,グラフ分類を行う。
論文参考訳（メタデータ） (2021-09-05T08:54:38Z)
To Boost or not to Boost: On the Limits of Boosted Neural Networks [67.67776094785363]
ブースティングは分類器のアンサンブルを学ぶ方法である。ブースティングは決定木に非常に有効であることが示されているが、ニューラルネットワークへの影響は広く研究されていない。単一のニューラルネットワークは通常、同じ数のパラメータを持つ小さなニューラルネットワークの強化されたアンサンブルよりもよく一般化される。
論文参考訳（メタデータ） (2021-07-28T19:10:03Z)
Neural Trees for Learning on Graphs [19.05038106825347]
グラフニューラルネットワーク(GNN)は、グラフを学習するための柔軟で強力なアプローチとして登場した。我々はニューラルツリーという新しいGNNアーキテクチャを提案する。神経木アーキテクチャは無向グラフ上の任意の滑らかな確率分布関数を近似できることを示す。
論文参考訳（メタデータ） (2021-05-15T17:08:20Z)
Graph Ensemble Learning over Multiple Dependency Trees for Aspect-level Sentiment Classification [37.936820137442254]
本研究では, グラフアンサンブル手法であるGraphMergeを提案する。各依存ツリーに1組のモデルパラメータを割り当てる代わりに、まず異なるパースから依存関係を結合し、結果のグラフにGNNを適用します。 SemEval 2014 Task 4とACL 14のTwitterデータセットの実験では、GraphMergeモデルは単一の依存ツリーでモデルを上回るだけでなく、モデルパラメータを追加せずに他のアンサンブルモジュールを上回ります。
論文参考訳（メタデータ） (2021-03-12T22:27:23Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)
The Tree Ensemble Layer: Differentiability meets Conditional Computation [8.40843862024745]
我々は、異なる決定木(ソフトツリー)のアンサンブルからなるニューラルネットワークのための新しいレイヤを導入する。異なる木は文学において有望な結果を示すが、典型的には条件計算をサポートしないため、訓練と推論が遅い。我々は、空間性を利用する特殊前方及び後方伝播アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-02-18T18:05:31Z)

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。