論文の概要: Learning Closed Signal Flow Graphs
- arxiv url: http://arxiv.org/abs/2407.00245v1
- Date: Fri, 28 Jun 2024 22:04:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 05:50:47.940351
- Title: Learning Closed Signal Flow Graphs
- Title(参考訳): 閉信号フローグラフの学習
- Authors: Ekaterina Piotrovskaya, Leo Lobski, Fabio Zanasi,
- Abstract要約: 閉信号フローグラフの学習アルゴリズムを開発した。
このアルゴリズムは、閉信号フローグラフとシングルトンアルファベット上の重み付き有限オートマトンとの対応に依存する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop a learning algorithm for closed signal flow graphs - a graphical model of signal transducers. The algorithm relies on the correspondence between closed signal flow graphs and weighted finite automata on a singleton alphabet. We demonstrate that this procedure results in a genuine reduction of complexity: our algorithm fares better than existing learning algorithms for weighted automata restricted to the case of a singleton alphabet.
- Abstract(参考訳): 我々は,信号トランスデューサのグラフィカルモデルである閉信号フローグラフの学習アルゴリズムを開発した。
このアルゴリズムは、閉信号フローグラフとシングルトンアルファベット上の重み付き有限オートマトンとの対応に依存する。
我々のアルゴリズムは、シングルトンアルファベットの場合に限定された重み付きオートマトンに対して、既存の学習アルゴリズムよりも優れている。
関連論文リスト
- Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。
本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。
我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
論文 参考訳(メタデータ) (2024-11-08T17:40:43Z) - Online Proximal ADMM for Graph Learning from Streaming Smooth Signals [9.34612743192798]
我々は,潜伏グラフ上でスムーズな観測ストリームを用いたオンライングラフ学習のための新しいアルゴリズムを開発した。
我々のモダス・オペランは、グラフ信号を逐次処理し、メモリと計算コストを抑えることです。
提案手法は,現在最先端のオンライングラフ学習ベースラインと比較して,(準最適性の観点から)追跡性能が向上することを示す。
論文 参考訳(メタデータ) (2024-09-19T17:12:03Z) - Joint Data Inpainting and Graph Learning via Unrolled Neural Networks [1.8999296421549168]
基礎となるグラフトポロジと欠測値の両方を推定するアルゴリズムを提案する。
提案手法はグラフ学習とグラフ信号再構成アルゴリズムの両方に利用できる。
論文 参考訳(メタデータ) (2024-07-16T06:46:41Z) - Online Inference for Mixture Model of Streaming Graph Signals with
Non-White Excitation [34.30390182564043]
フィルタされた低域通過グラフ信号と、おそらく非白色および低ランクの励起の混合モデルについて検討する。
本稿では,グラフのノード中心性に着目した推論問題を考える。
本稿では,ストリーミングデータからの推論のための新しいオンラインEMアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-07-28T11:25:47Z) - Learning Sparse Graphs via Majorization-Minimization for Smooth Node
Signals [8.140698535149042]
本稿では,その隣接行列を推定することにより,スパース重み付きグラフを学習するアルゴリズムを提案する。
提案アルゴリズムは,本論文におけるいくつかの既存手法よりも,平均反復回数の観点から,より高速に収束することを示す。
論文 参考訳(メタデータ) (2022-02-06T17:06:13Z) - Graph Signal Restoration Using Nested Deep Algorithm Unrolling [85.53158261016331]
グラフ信号処理は、センサー、社会交通脳ネットワーク、ポイントクラウド処理、グラフネットワークなど、多くのアプリケーションにおいてユビキタスなタスクである。
凸非依存型深部ADMM(ADMM)に基づく2つの復元手法を提案する。
提案手法のパラメータはエンドツーエンドでトレーニング可能である。
論文 参考訳(メタデータ) (2021-06-30T08:57:01Z) - Reinforcement Learning for Scalable Logic Optimization with Graph Neural
Networks [5.156191363676411]
本稿では,グラフ畳み込みネットワークと強化学習とを組み合わせることで,論理グラフにどの局所変換を適用するべきかを学習するための新しいスケーラブルノード埋め込み手法を提案する。
本手法は,小型回路におけるABCと同じようなサイズ低減を実現し,より大きなランダムグラフ上で1.5-1.75倍に上ることを示す。
論文 参考訳(メタデータ) (2021-05-04T20:51:54Z) - Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。
解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文 参考訳(メタデータ) (2020-10-21T20:04:22Z) - Nearly Linear Row Sampling Algorithm for Quantile Regression [54.75919082407094]
データの次元にほぼ線形なサンプル複雑性を持つ量子化損失関数の行サンプリングアルゴリズムを提案する。
行サンプリングアルゴリズムに基づいて、量子レグレッションの最も高速なアルゴリズムと、バランスの取れた有向グラフのグラフスペーシフィケーションアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-15T13:40:07Z) - Data-Driven Factor Graphs for Deep Symbol Detection [107.63351413549992]
本稿では,因子グラフ法をデータ駆動方式で実装することを提案する。
特に,機械学習(ML)ツールを用いて因子グラフの学習を提案する。
我々は,BCJRNetと呼ばれる提案システムにおいて,BCJRアルゴリズムを小さなトレーニングセットから実装することを実証した。
論文 参考訳(メタデータ) (2020-01-31T09:23:52Z) - Channel Assignment in Uplink Wireless Communication using Machine
Learning Approach [54.012791474906514]
本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。
我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。
計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
論文 参考訳(メタデータ) (2020-01-12T15:54:20Z)
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。