論文の概要: E(n) Equivariant Message Passing Cellular Networks

• arxiv url: http://arxiv.org/abs/2406.03145v3
• Date: Thu, 18 Jul 2024 08:21:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 20:32:20.278197
• Title: E(n) Equivariant Message Passing Cellular Networks
• Title（参考訳）: セルネットワークを通過するE(n)同変メッセージ
• Authors: Veljko Kovač, Erik J. Bekkers, Pietro Liò, Floor Eijkelboom,
• Abstract要約: E(n)同変メッセージパッシングセルネットワーク(EMPCN)を導入する。 EMPCNは、E(n)同変グラフネットワークからCW-複素体への拡張である。 EMPCNは, ステアビリティを必要とせずに, 複数のタスクにおける最先端性能を達成可能であることを示す。
• 参考スコア（独自算出の注目度）: 21.95746068487803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces E(n) Equivariant Message Passing Cellular Networks (EMPCNs), an extension of E(n) Equivariant Graph Neural Networks to CW-complexes. Our approach addresses two aspects of geometric message passing networks: 1) enhancing their expressiveness by incorporating arbitrary cells, and 2) achieving this in a computationally efficient way with a decoupled EMPCNs technique. We demonstrate that EMPCNs achieve close to state-of-the-art performance on multiple tasks without the need for steerability, including many-body predictions and motion capture. Moreover, ablation studies confirm that decoupled EMPCNs exhibit stronger generalization capabilities than their non-topologically informed counterparts. These findings show that EMPCNs can be used as a scalable and expressive framework for higher-order message passing in geometric and topological graphs
• Abstract（参考訳）: 本稿では、E(n)同変グラフニューラルネットワークをCW-複合体に拡張した、E(n)同変メッセージパッシングセルネットワーク(EMPCN)を紹介する。 我々のアプローチは幾何学的メッセージパッシングネットワークの2つの側面に対処する。 1)任意の細胞を組み込んで表現力を高めること 2) 切り離されたEMPCNs技術により, 計算効率が向上した。 EMPCNは、多体予測やモーションキャプチャなど、操りやすさを必要とせず、複数のタスクにおける最先端性能に近いことを実証する。 さらに, 脱結合型EMPCNは非トポロジカルに情報を得たものよりも強い一般化能力を示すことが, アブレーション研究により確認された。 これらの結果から,EMPCNは幾何学的およびトポロジ的グラフにおける高次メッセージパッシングのためのスケーラブルで表現力のあるフレームワークとして利用できることが示された。

関連論文リスト

• Mew: Multiplexed Immunofluorescence Image Analysis through an Efficient Multiplex Network [84.88767228835928]
  マルチプレックスネットワークのレンズを通してmIF画像を効率的に処理する新しいフレームワークであるMewを紹介する。 Mew は、幾何学情報のための Voronoi ネットワークと、セルワイドの均一性を捉えるセル型ネットワークという、2つの異なる層からなる多重ネットワークを革新的に構築する。 このフレームワークは、トレーニング中にグラフ全体を処理できるスケーラブルで効率的なグラフニューラルネットワーク(GNN)を備えている。
  論文  参考訳（メタデータ） (2024-07-25T08:22:30Z)
• Topological Neural Networks go Persistent, Equivariant, and Continuous [6.314000948709255]
  我々は,GNN/TNNとPHの交差において,様々な手法を仮定し,統一するフレームワークとしてTopNetsを紹介した。 TopNetは、抗体設計、分子動力学シミュレーション、薬物特性予測など、さまざまなタスクで強力なパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-06-05T11:56:54Z)
• E(n) Equivariant Topological Neural Networks [10.603892843083173]
  グラフニューラルネットワークはペアインタラクションのモデリングに優れていますが、高階インタラクションや機能に柔軟に対応できません。 トポロジカルディープラーニング(TDL)がこの問題に対処するための有望なツールとして最近登場した。 本稿では, グラフ, ハイパーグラフ, 単純オブジェクト, パス, セルコンプレックス上で動作するE(n)-同変ネットワークであるETNNを紹介する。
  論文  参考訳（メタデータ） (2024-05-24T10:55:38Z)
• E(n) Equivariant Message Passing Simplicial Networks [1.6243562700235228]
  我々は、$mathrmE(n)$ Equivariant Message Passing Simplicial Networks (EMPSNs)を示す。 EMPSNはグラフ(例えば三角形)の高次元単純性を学ぶ EMPSNは幾何グラフの学習における最先端のアプローチと同等であることを示す。
  論文  参考訳（メタデータ） (2023-05-11T19:10:26Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Equivariant Graph Hierarchy-Based Neural Networks [53.60804845045526]
  Equivariant Hierarchy-based Graph Networks (EGHNs)を提案する。 EGHNは、EMMP(Generalized Equivariant Matrix Message Passing)、E-Pool、E-UpPoolの3つの主要なコンポーネントから構成される。 EGHNのマルチオブジェクト・ダイナミクス・シミュレーション,モーションキャプチャ,タンパク質・ダイナミックス・モデリングなど,いくつかの応用における有効性について検討した。
  論文  参考訳（メタデータ） (2022-02-22T03:11:47Z)
• Lightweight, Dynamic Graph Convolutional Networks for AMR-to-Text Generation [56.73834525802723]
  軽量な動的グラフ畳み込みネットワーク (LDGCN) を提案する。 LDGCNは入力グラフから高次情報を合成することにより、よりリッチな非局所的な相互作用をキャプチャする。 我々は,グループグラフの畳み込みと重み付き畳み込みに基づく2つの新しいパラメータ保存戦略を開発し,メモリ使用量とモデル複雑性を低減する。
  論文  参考訳（メタデータ） (2020-10-09T06:03:46Z)
• Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。 既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。 ノードの近さを保つため,既存のGNNをノード表現で拡張する。
  論文  参考訳（メタデータ） (2020-09-05T16:46:56Z)
• Interpretable and Efficient Heterogeneous Graph Convolutional Network [27.316334213279973]
  異種情報ネットワーク(HIN)におけるオブジェクトの表現を学習するための、解釈可能で効率的な異種グラフ畳み込みネットワーク(e-HGCN)を提案する。 ie-HGCNは、長さ制限内で可能なすべてのメタパスから、各オブジェクトの有用なメタパスを自動的に抽出することができる。 また、中間HIN変換や近傍の注意を回避して計算コストを削減できる。
  論文  参考訳（メタデータ） (2020-05-27T06:06:00Z)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。