Fugu-MT 論文翻訳(概要): Learning bridge numbers of knots

論文の概要: Learning bridge numbers of knots

arxiv url: http://arxiv.org/abs/2405.05272v1
Date: Mon, 29 Apr 2024 05:25:32 GMT
ステータス: 処理完了
システム内更新日: 2024-05-12 15:40:48.816580
Title: Learning bridge numbers of knots
Title（参考訳）: 結び目の橋梁数を学ぶ
Authors: Hanh Vo, Puttipong Pongtanapaisan, Thieu Nguyen,
Abstract要約: 本稿では,古典的および仮想的な結び目の両方のブリッジ数を決定するために,様々な計算手法を用いる。次に、2つのデータセットを取得しました。1つは古典用、もう1つは仮想結び目用で、それぞれ100万以上のラベル付きデータポイントで構成されています。このデータを用いて,橋梁数に基づく結び目分類において,一般的な機械学習モデルの有効性を評価する実験を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper employs various computational techniques to determine the bridge numbers of both classical and virtual knots. For classical knots, there is no ambiguity of what the bridge number means. For virtual knots, there are multiple natural definitions of bridge number, and we demonstrate that the difference can be arbitrarily far apart. We then acquired two datasets, one for classical and one for virtual knots, each comprising over one million labeled data points. With the data, we conduct experiments to evaluate the effectiveness of common machine learning models in classifying knots based on their bridge numbers.
Abstract（参考訳）: 本稿では,古典的および仮想的な結び目の両方のブリッジ数を決定するために,様々な計算手法を用いる。古典的な結び目では、橋の番号の意味の曖昧さは存在しない。仮想結び目に対しては、ブリッジ数には複数の自然な定義があり、その違いは任意に遠く離れることができることを示す。次に、2つのデータセットを取得しました。1つは古典用、もう1つは仮想結び目用で、それぞれ100万以上のラベル付きデータポイントで構成されています。このデータを用いて,橋梁数に基づく結び目分類において,一般的な機械学習モデルの有効性を評価する実験を行った。

関連論文リスト

The unknotting number, hard unknot diagrams, and reinforcement learning [0.7227323884094952]
強化学習エージェントは、最大200回の交差を持つノットダイアグラムの交差変化の最小シーケンスを見つけます。我々はこれを57kノットの無作為数を決定するために使用した。
論文参考訳（メタデータ） (2024-09-13T17:59:52Z)
BridgeData V2: A Dataset for Robot Learning at Scale [73.86688388408021]
BridgeData V2は、ロボット操作行動の大規模で多様なデータセットである。対象は、24の環境にまたがる60,096個のトラジェクトリだ。
論文参考訳（メタデータ） (2023-08-24T17:41:20Z)
VertiBayes: Learning Bayesian network parameters from vertically partitioned data with missing values [2.9707233220536313]
フェデレーション学習は、分散データに基づいて機械学習モデルをトレーニングすることを可能にする。本稿では,垂直分割データ上でベイズネットワークを学習するためのVertiBayesという新しい手法を提案する。提案手法は,従来のアルゴリズムを用いて学習したモデルに匹敵するモデルを生成する。
論文参考訳（メタデータ） (2022-10-31T11:13:35Z)
BigBraveBN: algorithm of structural learning for bayesian networks with a large number of nodes [0.0]
本稿では,多数のノード(100以上)を持つ大規模ベイズネットワークを学習するためのBigBraveBNアルゴリズムを提案する。このアルゴリズムは、複数のグループのインスタンスの相互発生を測定するブレーブ係数を利用する。記事では、BigBraveBNの性能を、離散的かつ連続的な複数のデータセット上の既存のソリューションと比較する。
論文参考訳（メタデータ） (2022-08-22T13:43:57Z)
Compare learning: bi-attention network for few-shot learning [6.559037166322981]
距離学習と呼ばれる数ショットの学習手法の1つは、画像のペアが同じカテゴリに属しているかどうかを判断するために、まず遠距離計量を学習することで、この課題に対処する。本稿では, インスタンスの埋め込みの類似性を正確に, グローバルかつ効率的に測定できる, Bi-attention Network という新しい手法を提案する。
論文参考訳（メタデータ） (2022-03-25T07:39:10Z)
A Lagrangian Duality Approach to Active Learning [119.36233726867992]
トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
論文参考訳（メタデータ） (2022-02-08T19:18:49Z)
SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
論文参考訳（メタデータ） (2020-11-20T08:26:10Z)
Learning to Unknot [0.0]
結び目理論の研究に自然言語処理を導入する。与えられた結び目が無節かどうかを判定するUNKNOT問題について検討する。ブレイド関係はマルコフ運動の1つよりもカンノットを単純化するのに有用である。
論文参考訳（メタデータ） (2020-10-28T18:00:05Z)
ALICE: Active Learning with Contrastive Natural Language Explanations [69.03658685761538]
本研究では,学習におけるデータ効率を向上させるために,AlICEを用いたアクティブラーニングを提案する。 ALICEは、まずアクティブラーニングを使用して、最も情報に富んだラベルクラスを選択し、対照的な自然言語の説明を引き出す。意味的に抽出された知識を用いて、これらの説明から知識を抽出する。
論文参考訳（メタデータ） (2020-09-22T01:02:07Z)
dMelodies: A Music Dataset for Disentanglement Learning [70.90415511736089]
我々は、研究者が様々な領域でアルゴリズムの有効性を実証するのに役立つ新しいシンボリック・ミュージック・データセットを提案する。これはまた、音楽用に特別に設計されたアルゴリズムを評価する手段を提供する。データセットは、遠絡学習のためのディープネットワークのトレーニングとテストに十分な大きさ(約13万データポイント)である。
論文参考訳（メタデータ） (2020-07-29T19:20:07Z)
Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
論文参考訳（メタデータ） (2020-02-19T11:04:49Z)

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。