Fugu-MT 論文翻訳(概要): CW-CNN & CW-AN: Convolutional Networks and Attention Networks for CW-Complexes

論文の概要: CW-CNN & CW-AN: Convolutional Networks and Attention Networks for CW-Complexes

arxiv url: http://arxiv.org/abs/2408.16686v1
Date: Thu, 29 Aug 2024 16:32:24 GMT
ステータス: 処理完了
システム内更新日: 2024-08-30 13:02:54.700673
Title: CW-CNN & CW-AN: Convolutional Networks and Attention Networks for CW-Complexes
Title（参考訳）: CW-CNNとCW-AN:CW-コンプレックスのための畳み込みネットワークと注意ネットワーク
Authors: Rahul Khorana,
Abstract要約: 本稿では,CW複雑なデータポイントを学習するための新しいフレームワークを提案する。我々は、CW複体に対してよく定義された畳み込みと注意の概念を開発する。我々は、このフレームワークを教師付き予測の文脈で説明し、解釈する。
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 present a novel framework for learning on CW-complex structured data points. Recent advances have discussed CW-complexes as ideal learning representations for problems in cheminformatics. However, there is a lack of available machine learning methods suitable for learning on CW-complexes. In this paper we develop notions of convolution and attention that are well defined for CW-complexes. These notions enable us to create the first neural network that can receive a CW-complex as input. We illustrate and interpret this framework in the context of supervised prediction.
Abstract（参考訳）: 本稿では,CW複雑なデータポイントを学習するための新しいフレームワークを提案する。近年,ケミノフォマティクスにおける問題に対する理想的な学習表現として,CW-コンプレックスが議論されている。しかし、CW複合体上での学習に適した機械学習手法が不足している。本稿では、CW-複素数に対してよく定義された畳み込みと注意の概念を開発する。これらの概念は、入力としてCW-プレプレックスを受け取ることができる最初のニューラルネットワークを作成することができる。我々は、このフレームワークを教師付き予測の文脈で説明し、解釈する。

関連論文リスト

CVKAN: Complex-Valued Kolmogorov-Arnold Networks [6.095572174539791]
複素値kanを複素領域に転送する方法を示す。提案するCKANはより安定しており,実数値のKANよりも同等以上の性能を発揮する。
論文参考訳（メタデータ） (2025-02-04T15:38:14Z)
Convolutional Filtering with RKHS Algebras [110.06688302593349]
我々は、Kernel Hilbert Spaces(RKHS)の再生のための畳み込み信号処理とニューラルネットワークの理論を開発する。任意の RKHS が複数の代数的畳み込みモデルの形式的定義を可能にすることを示す。本研究では,無人航空機による実測値から無線通信を予測できる実データに関する数値実験について述べる。
論文参考訳（メタデータ） (2024-11-02T18:53:44Z)
Comprehensive Survey of Complex-Valued Neural Networks: Insights into Backpropagation and Activation Functions [0.0]
現在のANNフレームワークにおける実数実装の普及にもかかわらず、複素数を利用するANNの開発への関心が高まっている。本稿では,複雑評価ニューラルネットワーク(CVNN)の最近の進歩について述べる。複雑な入力、重み、AF、出力を含むニューラルネットワークのトレーニングを可能にする、バックプロパゲーションアルゴリズムの複雑な領域への拡張を探索する。
論文参考訳（メタデータ） (2024-07-27T13:47:16Z)
Bayesian Neural Networks Avoid Encoding Complex and Perturbation-Sensitive Concepts [22.873523599349326]
本稿では,平均場変動ベイズニューラルネットワーク(BNN)に着目し,そのようなBNNの表現能力について検討する。十分に訓練されたニューラルネットワークの知識表現において、比較的小さなインタラクティブな概念セットが出現することが観察され、研究されている。我々の研究は、標準的なディープニューラルネットワーク(DNN)と比較して、BNNが複雑な概念をエンコードする可能性は低いことを証明している。
論文参考訳（メタデータ） (2023-02-25T14:56:35Z)
Learning with Capsules: A Survey [73.31150426300198]
カプセルネットワークは、オブジェクト中心の表現を学習するための畳み込みニューラルネットワーク(CNN)に代わるアプローチとして提案された。 CNNとは異なり、カプセルネットワークは部分的に階層的な関係を明示的にモデル化するように設計されている。
論文参考訳（メタデータ） (2022-06-06T15:05:36Z)
Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文参考訳（メタデータ） (2022-04-21T05:27:09Z)
Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文参考訳（メタデータ） (2022-04-18T21:45:13Z)
Local and global topological complexity measures OF ReLU neural network functions [0.0]
Grunert-Kuhnel-Rote による Morse 理論のピースワイズ線形(PL) バージョンを適用して、位相的複雑性の新しい局所的および大域的概念を定義し、研究する。各 F に対して、標準ポリトープ複体 K(F) と領域の K(F) への変形レトラクションを構成し、計算を行うための便利なコンパクトモデルを生成する方法を示す。
論文参考訳（メタデータ） (2022-04-12T19:49:13Z)
BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文参考訳（メタデータ） (2021-12-13T17:35:54Z)
Parallel Machine Learning for Forecasting the Dynamics of Complex Networks [0.0]
本稿では,大規模複雑ネットワークの力学を予測するための機械学習手法を提案する。私たちは、関心のネットワークのトポロジを模倣する並列アーキテクチャを使用します。
論文参考訳（メタデータ） (2021-08-27T06:06:41Z)
Towards Understanding Theoretical Advantages of Complex-Reaction Networks [77.34726150561087]
パラメータ数を用いて,関数のクラスを複素反応ネットワークで近似できることを示す。経験的リスク最小化については,複素反応ネットワークの臨界点集合が実数値ネットワークの固有部分集合であることを示す。
論文参考訳（メタデータ） (2021-08-15T10:13:49Z)

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。