論文の概要: Multi-scale Cycle Tracking in Dynamic Planar Graphs

• arxiv url: http://arxiv.org/abs/2409.06476v1
• Date: Tue, 10 Sep 2024 13:05:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 17:48:44.218257
• Title: Multi-scale Cycle Tracking in Dynamic Planar Graphs
• Title（参考訳）: 動的平面グラフにおけるマルチスケールサイクル追跡
• Authors: Farhan Rasheed, Abrar Naseer, Emma Nilsson, Talha Bin Masood, Ingrid Hotz,
• Abstract要約: 粒状材料中の2次元力ネットワークの周期を解析するためのネスト追跡フレームワークを提案する。 我々のアプローチは、2Dドメインを力ネットワークのサイクルによって境界付けられたセグメントに分割することでサイクル階層を計算することである。
• 参考スコア（独自算出の注目度）: 3.1154297715556964
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a nested tracking framework for analyzing cycles in 2D force networks within granular materials. These materials are composed of interacting particles, whose interactions are described by a force network. Understanding the cycles within these networks at various scales and their evolution under external loads is crucial, as they significantly contribute to the mechanical and kinematic properties of the system. Our approach involves computing a cycle hierarchy by partitioning the 2D domain into segments bounded by cycles in the force network. We can adapt concepts from nested tracking graphs originally developed for merge trees by leveraging the duality between this partitioning and the cycles. We demonstrate the effectiveness of our method on two force networks derived from experiments with photoelastic disks.
• Abstract（参考訳）: 本稿では,粒状材料中の2次元力ネットワークの周期を解析するためのネスト追跡フレームワークを提案する。 これらの材料は相互作用する粒子で構成され、相互作用は力ネットワークによって記述される。 これらのネットワーク内のサイクルを様々なスケールで理解し、外部負荷下での進化は、システムの機械的および運動学的特性に大きく寄与するため、非常に重要である。 我々のアプローチは、2Dドメインを力ネットワークのサイクルによって境界付けられたセグメントに分割することでサイクル階層を計算することである。 この分割とサイクルの双対性を利用して、もともと木をマージするために開発されたネスト追跡グラフの概念を適応することができる。 光弾性ディスクを用いた実験から得られた2つの力ネットワークにおける本手法の有効性を実証する。

関連論文リスト

• Discovering Message Passing Hierarchies for Mesh-Based Physics Simulation [61.89682310797067]
  DHMPを導入し,異なるノード選択手法を用いてメッセージパッシングネットワークの動的階層を学習する。 本実験はDHMPの有効性を実証し,近年の固定階層型メッセージパッシングネットワークと比較して平均22.7%改善した。
  論文  参考訳（メタデータ） (2024-10-03T15:18:00Z)
• Injecting Hamiltonian Architectural Bias into Deep Graph Networks for Long-Range Propagation [55.227976642410766]
  グラフ内の情報拡散のダイナミクスは、グラフ表現学習に大きな影響を及ぼす重要なオープン問題である。 そこで我々は(ポート-)Hamiltonian Deep Graph Networksを紹介した。 我々は,非散逸的長距離伝播と非保守的行動の両方を,単一の理論的・実践的な枠組みで調整する。
  論文  参考訳（メタデータ） (2024-05-27T13:36:50Z)
• Topological Cycle Graph Attention Network for Brain Functional Connectivity [1.7751300245073598]
  我々は新しいトポロジカルサイクルグラフ注意ネットワーク(CycGAT)を導入する。 CycGATは、シグナル伝達に必須の脳機能グラフ内の機能的バックボーンを規定する。 シミュレーションによるCycGATの局在化とそのABCD研究のfMRIデータ上での有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-28T05:07:41Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• Piecewise-Velocity Model for Learning Continuous-time Dynamic Node Representations [0.0]
  連続時間動的ネットワーク表現のためのPiecewise-Veable Model (PiVeM)。 超低次元空間において、PiVeMはネットワーク構造と力学をうまく表現できることを示す。 リンク予測などの下流タスクでは、関連する最先端メソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-12-23T13:57:56Z)
• Dimension of activity in random neural networks [6.752538702870792]
  ニューラルネットワークは、多くの連結ユニットの協調活動を通して情報を処理する高次元非線形力学系である。 二点共分散をDMFTを用いて自己整合的に計算する。 我々の公式は、幅広い単単位力学に適用され、非二項結合に一般化される。
  論文  参考訳（メタデータ） (2022-07-25T17:38:21Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• DynACPD Embedding Algorithm for Prediction Tasks in Dynamic Networks [6.5361928329696335]
  本稿では,動的ネットワークのテンソル表現に対する高次テンソル分解に基づく動的ネットワークに対する新しい埋め込み手法を提案する。 リンク予測タスクにおけるアルゴリズムの性能を,現在のベースライン手法の配列と比較することにより,提案手法のパワーと効率を実証する。
  論文  参考訳（メタデータ） (2021-03-12T04:36:42Z)
• SOSD-Net: Joint Semantic Object Segmentation and Depth Estimation from Monocular images [94.36401543589523]
  これら2つのタスクの幾何学的関係を利用するための意味的対象性の概念を紹介します。 次に, 対象性仮定に基づくセマンティックオブジェクト・深さ推定ネットワーク(SOSD-Net)を提案する。 私たちの知識を最大限に活用するために、SOSD-Netは同時単眼深度推定とセマンティックセグメンテーションのためのジオメトリ制約を利用する最初のネットワークです。
  論文  参考訳（メタデータ） (2021-01-19T02:41:03Z)
• Learning second order coupled differential equations that are subject to non-conservative forces [0.0]
  畳み込みブロック間の残差接続の観点から、2階微分の差分近似を組み込んだネットワークを導入する。 我々はこのマップを解法ネットワークと共に最適化し、その重みを共有しながら、散逸的力学系の複雑な物理特性を学習できる強力なフレームワークを形成する。
  論文  参考訳（メタデータ） (2020-10-17T23:31:31Z)
• Spectral Embedding of Graph Networks [76.27138343125985]
  ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。 埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
  論文  参考訳（メタデータ） (2020-09-30T04:59:10Z)

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。