Fugu-MT 論文翻訳(概要): An Information-Theoretic Analysis of Temporal GNNs

論文の概要: An Information-Theoretic Analysis of Temporal GNNs

arxiv url: http://arxiv.org/abs/2408.05624v1
Date: Sat, 10 Aug 2024 20:11:11 GMT
ステータス: 処理完了
システム内更新日: 2024-08-13 18:01:49.093843
Title: An Information-Theoretic Analysis of Temporal GNNs
Title（参考訳）: 時間的GNNの情報理論解析
Authors: Amirmohammad Farzaneh,
Abstract要約: 情報理論は、時間的GNNの分析のためのフレームワークを提供するための主要なツールとして使用される。情報ボトルネックの概念は、そのようなネットワークの時間的分析に適したように利用され、調整される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Temporal Graph Neural Networks, a new and trending area of machine learning, suffers from a lack of formal analysis. In this paper, information theory is used as the primary tool to provide a framework for the analysis of temporal GNNs. For this reason, the concept of information bottleneck is used and adjusted to be suitable for a temporal analysis of such networks. To this end, a new definition for Mutual Information Rate is provided, and the potential use of this new metric in the analysis of temporal GNNs is studied.
Abstract（参考訳）: 機械学習の新しいトレンド領域であるテンポラルグラフニューラルネットワークは、形式解析の欠如に悩まされている。本稿では,情報理論を時間的GNNの分析のためのフレームワークとして活用する。このため、このようなネットワークの時間的分析に適した情報ボトルネックの概念を用いて調整する。この目的のために、相互情報レートの新たな定義が提供され、時間的GNNの分析におけるこの新たな指標の可能性について検討する。

関連論文リスト

Temporal-Aware Evaluation and Learning for Temporal Graph Neural Networks [2.3043270848984]
時間グラフニューラルネットワーク(TGNN)は、時間グラフから動的情報をモデル化し、学習するために設計されたグラフニューラルネットワークのファミリーである。本稿では,TGNNの一般的な評価基準について検討し,本質的な時間構造を捉える上でのこれらの指標の故障機構について述べる。本稿では、モデル時間性能のより洗練された分析を目的とした、新しいボラティリティ対応評価指標(決定ボラティリティクラスタ統計)を提案する。
論文参考訳（メタデータ） (2024-12-10T07:56:33Z)
A Systematic Literature Review of Spatio-Temporal Graph Neural Network Models for Time Series Forecasting and Classification [7.58512888676767]
本稿では、時系列分類と予測のためのアプローチとアプリケーション領域について概観する。データベース検索を行い,150以上の学術論文が現場における現状の詳細な調査のために選択された。
論文参考訳（メタデータ） (2024-10-29T08:05:10Z)
Analyzing Neural Network Robustness Using Graph Curvature [5.156059061769101]
本稿では,グラフ理論解析の観点から,ニューラルネットワーク(NN)のロバスト性問題に対する新たな考察を示す。我々は、ニューラルネットワークのリッチ曲率の概念を定義し、それをNN出力に"データ転送に頻繁に使用されるボトルネックNNエッジを特定するために使用します。
論文参考訳（メタデータ） (2024-10-25T14:59:58Z)
It Is Time To Steer: A Scalable Framework for Analysis-driven Attack Graph Generation [50.06412862964449]
アタックグラフ(AG)は、コンピュータネットワークに対するマルチステップ攻撃に対するサイバーリスクアセスメントをサポートする最も適したソリューションである。現在の解決策は、アルゴリズムの観点から生成問題に対処し、生成が完了した後のみ解析を仮定することである。本稿では,アナリストがいつでもシステムに問い合わせることのできる新しいワークフローを通じて,従来のAG分析を再考する。
論文参考訳（メタデータ） (2023-12-27T10:44:58Z)
Exploring Causal Learning through Graph Neural Networks: An In-depth Review [12.936700685252145]
因果関係の研究に用いられている様々な最先端のGNN手法を包含する新しい分類法を提案する。 GNNは、その因果領域における応用に基づいてさらに分類される。このレビューは、多様な分野にわたる因果学習の適用にも触れている。
論文参考訳（メタデータ） (2023-11-25T10:46:06Z)
A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
論文参考訳（メタデータ） (2023-07-07T08:05:03Z)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
論文参考訳（メタデータ） (2022-02-27T23:12:43Z)
Inter-layer Information Similarity Assessment of Deep Neural Networks Via Topological Similarity and Persistence Analysis of Data Neighbour Dynamics [93.4221402881609]
ディープニューラルネットワーク(DNN)による情報構造の定量的解析により、DNNアーキテクチャの理論的性能に関する新たな知見が明らかにされる。量的情報構造解析のためのLSとIDの戦略に着想を得て, 層間情報類似度評価のための2つの新しい補完手法を提案する。本研究では,画像データを用いた深層畳み込みニューラルネットワークのアーキテクチャ解析を行い,その効果を実証する。
論文参考訳（メタデータ） (2020-12-07T15:34:58Z)
A Chain Graph Interpretation of Real-World Neural Networks [58.78692706974121]
本稿では,NNを連鎖グラフ(CG)、フィードフォワードを近似推論手法として識別する別の解釈を提案する。 CG解釈は、確率的グラフィカルモデルのリッチな理論的枠組みの中で、各NNコンポーネントの性質を規定する。我々は,CG解釈が様々なNN技術に対する新しい理論的支援と洞察を提供することを示す具体例を実例で示す。
論文参考訳（メタデータ） (2020-06-30T14:46:08Z)

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。