論文の概要: Advancing Uncertain Combinatorics through Graphization, Hyperization, and Uncertainization: Fuzzy, Neutrosophic, Soft, Rough, and Beyond
- arxiv url: http://arxiv.org/abs/2411.17411v1
- Date: Sun, 24 Nov 2024 04:28:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-27 13:35:56.147411
- Title: Advancing Uncertain Combinatorics through Graphization, Hyperization, and Uncertainization: Fuzzy, Neutrosophic, Soft, Rough, and Beyond
- Title(参考訳): グラフ化、肥大化、不確定化による不確定なコンビニティクスの促進:ファジィ、ニュートロソフィック、ソフト、ラフ、そしてそれ以上
- Authors: Takaaki Fujita,
- Abstract要約: ファジィセット、好中球セット、粗セット、ソフトセット、ソフトセットが導入された。
真理、不確定性、虚偽を同時に表すニュートロソフィック集合は、複雑なシステムにおける不確実性をモデル化するための貴重なツールであることが証明されている。
本稿では,新しいグラフと集合の概念,ハイパー・ハイパー・ハイパーの概念について考察する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: To better handle real-world uncertainty, concepts such as fuzzy sets, neutrosophic sets, rough sets, and soft sets have been introduced. For example, neutrosophic sets, which simultaneously represent truth, indeterminacy, and falsehood, have proven to be valuable tools for modeling uncertainty in complex systems. These set concepts are increasingly studied in graphized forms, and generalized graph concepts now encompass well-known structures such as hypergraphs and superhypergraphs. Furthermore, hyperconcepts and superhyperconcepts are being actively researched in areas beyond graph theory. Combinatorics, uncertain sets (including fuzzy sets, neutrosophic sets, rough sets, soft sets, and plithogenic sets), uncertain graphs, and hyper and superhyper concepts are active areas of research with significant mathematical and practical implications. Recognizing their importance, this paper explores new graph and set concepts, as well as hyper and superhyper concepts, as detailed in the "Results" section of "The Structure of the Paper." Additionally, this work aims to consolidate recent findings, providing a survey-like resource to inform and engage readers. For instance, we extend several graph concepts by introducing Neutrosophic Oversets, Neutrosophic Undersets, Neutrosophic Offsets, and the Nonstandard Real Set. This paper defines a variety of concepts with the goal of inspiring new ideas and serving as a valuable resource for researchers in their academic pursuits.
- Abstract(参考訳): 現実世界の不確実性に対処するため、ファジィ集合、ニュートロゾフィ集合、粗集合、ソフト集合といった概念が導入された。
例えば、真理、不確定性、虚偽性を同時に表現するニュートロソフィック集合は、複雑なシステムにおける不確実性をモデル化するための貴重なツールであることが証明されている。
これらの集合の概念はグラフ化形式においてますます研究され、一般化されたグラフの概念は現在、ハイパーグラフや超ハイパーグラフのようなよく知られた構造を含んでいる。
さらに、超概念や超概念はグラフ理論以外の分野で積極的に研究されている。
コンビニクス、不確実集合(ファジィ集合、ニュートロソフィック集合、粗集合、ソフト集合、ピリソゲン集合を含む)、不確実グラフ、超超ハイパーの概念は、重要な数学的および実践的な意味を持つ研究の活発な領域である。
論文は,それらの重要性を認識し,論文の構造」の「結果」の節で詳述されるように,新しいグラフや集合概念,ハイパー・ハイパーの概念を探求する。
さらに,本研究は,最近の知見を集約し,読者に情報提供とエンゲージメントを行うための調査的なリソースを提供することを目的としている。
例えば、ニュートロソフィック・オーバーセット、ニュートロソフィック・アンダーセット、ニュートロソフィック・オフセット、および非標準実集合を導入することで、いくつかのグラフの概念を拡張する。
本稿は、新しいアイデアを刺激し、研究者が学術的追求を行う上で貴重な資源となることを目的として、様々な概念を定義した。
関連論文リスト
- In-situ graph reasoning and knowledge expansion using Graph-PReFLexOR [0.0]
グラフ推論とシンボリック抽象化を組み合わせてドメイン知識を動的に拡張するフレームワークであるGraph-PReFLexORを提案する。
強化学習に触発されて、推論は構造化されたマッピングとして定義され、タスクが知識グラフ、抽象パターン、そして最終的には最終回答を生み出す。
その結果、より優れた推論深度と適応性を示し、透明で多分野のAI駆動型発見の可能性を示している。
論文 参考訳(メタデータ) (2025-01-14T13:52:41Z) - Foundations and Frontiers of Graph Learning Theory [81.39078977407719]
グラフ学習の最近の進歩は、複雑な構造を持つデータを理解し分析する方法に革命をもたらした。
グラフニューラルネットワーク(GNN)、すなわちグラフ表現を学習するために設計されたニューラルネットワークアーキテクチャは、一般的なパラダイムとなっている。
本稿では,グラフ学習モデルに固有の近似と学習行動に関する理論的基礎とブレークスルーについて概説する。
論文 参考訳(メタデータ) (2024-07-03T14:07:41Z) - Fundamental Components of Deep Learning: A category-theoretic approach [0.0]
この論文は、カテゴリ理論の言語に基づく、ディープラーニングのための新しい数学的基礎を発展させている。
我々はまた、既存の多くのアプローチを体系化し、多くの既存の構成と概念を同じ傘の下に置きます。
論文 参考訳(メタデータ) (2024-03-13T01:29:40Z) - Foundational theories of hesitant fuzzy sets and hesitant fuzzy
information systems and their applications for multi-strength intelligent
classifiers [32.78664473821173]
ヘシタントファジィ集合は、不確実性やためらいのある場合において広く用いられる。
ある種の集合として、ヘジットファジィ集合は包含関係を明確に定義する必要がある。
論文 参考訳(メタデータ) (2023-11-07T14:03:28Z) - Intrinsic Physical Concepts Discovery with Object-Centric Predictive
Models [86.25460882547581]
PHYsical Concepts Inference NEtwork (PHYCINE) は、異なる抽象レベルの物理概念を監督なしで推論するシステムである。
物理概念変数を含むオブジェクト表現は因果推論タスクの性能向上に有効であることを示す。
論文 参考訳(メタデータ) (2023-03-03T11:52:21Z) - On Binding Objects to Symbols: Learning Physical Concepts to Understand
Real from Fake [155.6741526791004]
我々は、ディープニューラルネットワークが合成データを生成する驚くべき能力に照らして、古典的な信号と記号の障壁を再考する。
物理オブジェクトを抽象概念として特徴付け,それ以前の解析を用いて,物理オブジェクトが有限なアーキテクチャで符号化可能であることを示す。
我々は、有限時間でデジタルIDに物理的実体を結合することは、有限資源で可能であると結論付けた。
論文 参考訳(メタデータ) (2022-07-25T17:21:59Z) - Automatic Concept Extraction for Concept Bottleneck-based Video
Classification [58.11884357803544]
本稿では,概念に基づくビデオ分類に必要かつ十分な概念抽象セットを厳格に構成する概念発見抽出モジュールを提案する。
提案手法は,自然言語における概念概念の抽象概念を応用し,複雑なタスクに概念ボトルネック法を一般化する。
論文 参考訳(メタデータ) (2022-06-21T06:22:35Z) - A Self-supervised Mixed-curvature Graph Neural Network [76.3790248465522]
自己教師型混合曲率グラフニューラルネットワーク(SelfMGNN)を提案する。
我々は、SelfMGNNが現実の複雑なグラフ構造をキャプチャし、最先端のベースラインを上回っていることを示す。
論文 参考訳(メタデータ) (2021-12-10T08:56:55Z) - Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。
複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
論文 参考訳(メタデータ) (2021-07-20T22:09:21Z) - Learning to Represent and Predict Sets with Deep Neural Networks [4.310814582717413]
機械学習における集合を扱うための様々な技術を開発した。
この論文の最初の焦点は、より良いセット表現(入力としてセット)の学習です。
この論文の第2の焦点は、セット(出力としてセット)の予測です。
論文 参考訳(メタデータ) (2021-03-08T18:27:08Z)
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。
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。