論文の概要: ICML Topological Deep Learning Challenge 2024: Beyond the Graph Domain

• arxiv url: http://arxiv.org/abs/2409.05211v1
• Date: Sun, 8 Sep 2024 19:59:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 16:58:34.063071
• Title: ICML Topological Deep Learning Challenge 2024: Beyond the Graph Domain
• Title（参考訳）: ICML Topological Deep Learning Challenge 2024: Beyond the Graph Domain
• Authors: Guillermo Bernárdez, Lev Telyatnikov, Marco Montagna, Federica Baccini, Mathilde Papillon, Miquel Ferriol-Galmés, Mustafa Hajij, Theodore Papamarkou, Maria Sofia Bucarelli, Olga Zaghen, Johan Mathe, Audun Myers, Scott Mahan, Hansen Lillemark, Sharvaree Vadgama, Erik Bekkers, Tim Doster, Tegan Emerson, Henry Kvinge, Katrina Agate, Nesreen K Ahmed, Pengfei Bai, Michael Banf, Claudio Battiloro, Maxim Beketov, Paul Bogdan, Martin Carrasco, Andrea Cavallo, Yun Young Choi, George Dasoulas, Matouš Elphick, Giordan Escalona, Dominik Filipiak, Halley Fritze, Thomas Gebhart, Manel Gil-Sorribes, Salvish Goomanee, Victor Guallar, Liliya Imasheva, Andrei Irimia, Hongwei Jin, Graham Johnson, Nikos Kanakaris, Boshko Koloski, Veljko Kovač, Manuel Lecha, Minho Lee, Pierrick Leroy, Theodore Long, German Magai, Alvaro Martinez, Marissa Masden, Sebastian Mežnar, Bertran Miquel-Oliver, Alexis Molina, Alexander Nikitin, Marco Nurisso, Matt Piekenbrock, Yu Qin, Patryk Rygiel, Alessandro Salatiello, Max Schattauer, Pavel Snopov, Julian Suk, Valentina Sánchez, Mauricio Tec, Francesco Vaccarino, Jonas Verhellen, Frederic Wantiez, Alexander Weers, Patrik Zajec, Blaž Škrlj, Nina Miolane,
• Abstract要約: この課題は、異なる離散トポロジカル領域におけるデータの表現の問題に焦点を当てた。 この挑戦は全ての要求を満たす52の応募を受けた。 本稿では,課題のメインスコープを紹介し,主な成果と調査結果を要約する。
• 参考スコア（独自算出の注目度）: 82.10943542681696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper describes the 2nd edition of the ICML Topological Deep Learning Challenge that was hosted within the ICML 2024 ELLIS Workshop on Geometry-grounded Representation Learning and Generative Modeling (GRaM). The challenge focused on the problem of representing data in different discrete topological domains in order to bridge the gap between Topological Deep Learning (TDL) and other types of structured datasets (e.g. point clouds, graphs). Specifically, participants were asked to design and implement topological liftings, i.e. mappings between different data structures and topological domains --like hypergraphs, or simplicial/cell/combinatorial complexes. The challenge received 52 submissions satisfying all the requirements. This paper introduces the main scope of the challenge, and summarizes the main results and findings.
• Abstract（参考訳）: 本稿では,ICML 2024 ELLIS Workshop on Geometry-grounded Representation Learning and Generative Modeling (GRaM) のICML Topological Deep Learning Challengeの第2版について述べる。 この課題は、トポロジカルディープラーニング(TDL)と他の構造化データセット(例えば、ポイントクラウド、グラフ)のギャップを埋めるために、異なる離散トポロジカルドメインでデータを表現するという問題に焦点を当てた。 具体的には、参加者はトポロジカルリフト、すなわち、異なるデータ構造とトポロジカルドメイン間のマッピング(ハイパーグラフ、simplicial/cell/combinatorial complex)の設計と実装を依頼された。 この挑戦は全ての要求を満たす52の応募を受けた。 本稿では,課題のメインスコープを紹介し,主な成果と調査結果を要約する。

関連論文リスト

• RiTeK: A Dataset for Large Language Models Complex Reasoning over Textual Knowledge Graphs [12.846097618151951]
  我々は,テキスト知識グラフ(RiTeK)を用いたLLMの複雑な推論のためのデータセットを開発し,広範なトポロジ的構造を網羅する。 多様なトポロジ構造、注釈付き情報、複雑なテキスト記述を統合した現実的なユーザクエリを合成する。 そこで我々はモンテカルロ木探索法 (CTS) を導入し, 特定のクエリに対してテキストグラフから関係経路情報を自動的に抽出する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-17T19:33:37Z)
• Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
  本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。 本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。 MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
  論文  参考訳（メタデータ） (2024-02-04T08:57:42Z)
• ICML 2023 Topological Deep Learning Challenge : Design and Results [83.5003281210199]
  コンペティションは参加者に、文献からトポロジカルニューラルネットワークのオープンソース実装を提供するよう求めた。 この挑戦は2ヶ月の期間に28の予選の応募を惹きつけた。 本稿では,課題の設計について述べるとともに,その主な知見を要約する。
  論文  参考訳（メタデータ） (2023-09-26T18:49:30Z)
• Weisfeiler and Lehman Go Paths: Learning Topological Features via Path Complexes [4.23480641508611]
  グラフニューラルネットワーク(GNN)は理論上、1-Weisfeiler-Lehmanテストによって拘束される。 本研究では, トポロジ的メッセージパッシング過程において, グラフ内の単純な経路に着目し, 新たな視点を示す。
  論文  参考訳（メタデータ） (2023-08-13T19:45:20Z)
• Topological Pooling on Graphs [24.584372324701885]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフ学習タスクにおいて大きな成功を収めている。 そこで我々は,新しいトポロジカルプール層とビジター複合型トポロジカル埋め込み機構を提案する。 Wit-TopoPoolは、すべてのデータセットで競合他社よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-03-25T19:30:46Z)
• Topological Learning in Multi-Class Data Sets [0.3050152425444477]
  フィードフォワードディープニューラルネットワーク(DNN)の学習におけるトポロジカル複雑度の影響について検討する。 我々は,複数の構築およびオープンソースデータセットに対するトポロジ的分類アルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2023-01-23T21:54:25Z)
• TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
  本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-27T17:10:58Z)
• A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources [79.48829365560788]
  異種情報ネットワーク (heterogenous information network) としても知られるヘテロジニアスグラフ (HGs) は、現実のシナリオにおいてユビキタス化されている。 HG埋め込みは、下流タスクのための不均一な構造と意味を保ちながら、低次元空間での表現を学習することを目的としている。
  論文  参考訳（メタデータ） (2020-11-30T15:03:47Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)

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。