Fugu-MT 論文翻訳(概要): On the matching arrangement of a graph, improper weight function problem and its application

論文の概要: On the matching arrangement of a graph, improper weight function problem and its application

arxiv url: http://arxiv.org/abs/2411.19351v3
Date: Wed, 22 Jan 2025 14:37:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-23 13:27:48.813897
Title: On the matching arrangement of a graph, improper weight function problem and its application
Title（参考訳）: グラフの整合配置、不適切な重み関数問題とその応用
Authors: Aleksey Bolotnikov, Anwar Irmatov,
Abstract要約: 不適切な重み関数問題を示し、そのNP完全性の証明を示す。不適切な重み関数問題に基づいて、knapsackのような公開鍵暗号システムを構築する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: This article presents examples of an application of the finite field method for the computation of the characteristic polynomial of the matching arrangement of a graph. Weight functions on edges of a graph with weights from a finite field are divided into proper and improper functions in connection with proper colorings of vertices of the matching polytope of a graph. An improper weight function problem is introduced, a proof of its NP-completeness is presented, and a knapsack-like public key cryptosystem is constructed based on the improper weight function problem.
Abstract（参考訳）: 本稿では,グラフの整合配置の特徴多項式の計算における有限場法の適用例を示す。有限体からの重みを持つグラフの辺上の重み関数は、グラフの一致するポリトープの頂点の適切な色付けに関連して、適切な関数と不適切な関数に分割される。不適切な重み関数問題を導入し、NP完全性の証明を示し、不適切な重み関数問題に基づいてknapsackのような公開鍵暗号システムを構築する。

関連論文リスト

Efficient Graph Coloring with Neural Networks: A Physics-Inspired Approach for Large Graphs [0.0]
本稿では,特に大規模グラフにおいて,グラフニューラルネットワークを有効活用する新しいアルゴリズムを提案する。本稿では,Erdos-Renyiグラフのデータセット上での手法の有効性を実証し,その適用性を示す。
論文参考訳（メタデータ） (2024-08-02T18:02:51Z)
Graphon-aided Joint Estimation of Multiple Graphs [24.077455621015552]
観測結果から複数のネットワークのトポロジを推定する問題を考察する。これは非パラメトリックなモデルであり、潜在的に異なるサイズのグラフを描画することができる。
論文参考訳（メタデータ） (2022-02-11T15:20:44Z)
Learning Sparse Graph with Minimax Concave Penalty under Gaussian Markov Random Fields [51.07460861448716]
本稿では,データから学ぶための凸解析フレームワークを提案する。三角凸分解はその上部に対応する変換によって保証されることを示す。
論文参考訳（メタデータ） (2021-09-17T17:46:12Z)
Deformed Explicitly Correlated Gaussians [58.720142291102135]
変形相関ガウス基底関数を導入し、それらの行列要素を算出する。これらの基底関数は非球面ポテンシャルの問題を解くのに使うことができる。
論文参考訳（メタデータ） (2021-08-10T18:23:06Z)
Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文参考訳（メタデータ） (2021-07-27T19:47:53Z)
A Reinforcement Learning Environment for Mathematical Reasoning via Program Synthesis [1.1602089225841632]
我々はDeepMindの数学データセットを強化学習環境に変換する。環境における各アクションは、演算子または入力を離散計算グラフに追加する。正解を計算するグラフは正の報酬をもたらし、ポリシーの最適化により問題文に条件付き計算グラフを構築することができる。
論文参考訳（メタデータ） (2021-07-15T14:55:34Z)
A Thorough View of Exact Inference in Graphs from the Degree-4 Sum-of-Squares Hierarchy [37.34153902687548]
各エッジの1つの破損した観測からノードの未知の接地型バイナリラベリングを正確に回収する問題に取り組む。この問題に対して、和の平方階層と呼ばれるリラクゼーションの階層を適用します。我々は、緩和問題の双対の解がジョンソングラフとクネーサーグラフのエッジウェイトを見つけることに関連していることを示した。
論文参考訳（メタデータ） (2021-02-16T08:36:19Z)
Hamiltonian systems, Toda lattices, Solitons, Lax Pairs on weighted Z-graded graphs [62.997667081978825]
グラフ上の解に対して一次元の解を持ち上げることができる条件を特定する。位相的に興味深いグラフの簡単な例であっても、対応する非自明なラックス対と関連するユニタリ変換は、Z階数グラフ上のラックス対に持ち上げないことを示す。
論文参考訳（メタデータ） (2020-08-11T17:58:13Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
Characteristic Functions on Graphs: Birds of a Feather, from Statistical Descriptors to Parametric Models [8.147652597876862]
本稿では,特徴関数の特定の変量を計算するための計算効率の良いアルゴリズムであるFEATHERを紹介する。 FEATHERによって抽出された機能は、ノードレベルの機械学習タスクに有用である、と我々は主張する。実世界の大規模データセットを用いた実験により,提案アルゴリズムが高品質な表現を生成することを示す。
論文参考訳（メタデータ） (2020-05-16T11:47:05Z)
Semiparametric Nonlinear Bipartite Graph Representation Learning with Provable Guarantees [106.91654068632882]
半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
論文参考訳（メタデータ） (2020-03-02T16:40:36Z)

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。