論文の概要: The Road to Learning Explainable Inverse Kinematic Models: Graph Neural Networks as Inductive Bias for Symbolic Regression

• arxiv url: http://arxiv.org/abs/2501.13641v1
• Date: Thu, 23 Jan 2025 13:18:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:55:28.698450
• Title: The Road to Learning Explainable Inverse Kinematic Models: Graph Neural Networks as Inductive Bias for Symbolic Regression
• Title（参考訳）: 説明可能な逆運動モデル学習への道:記号回帰の帰納的バイアスとしてのグラフニューラルネットワーク
• Authors: Pravin Pandey, Julia Reuter, Christoph Steup, Sanaz Mostaghim,
• Abstract要約: 本稿では,グラフニューラルネットワーク(GNN)を用いて,自動生成したデータセットに基づいて逆キネマティクス(IK)を学習する方法を示す。 生成されたGNNは、シンボル回帰を通じて解析方程式を生成する誘導バイアスとして将来の研究に使用されるように調整されている。
• 参考スコア（独自算出の注目度）: 1.0485739694839669
• License:
• Abstract: This paper shows how a Graph Neural Network (GNN) can be used to learn an Inverse Kinematics (IK) based on an automatically generated dataset. The generated Inverse Kinematics is generalized to a family of manipulators with the same Degree of Freedom (DOF), but varying link length configurations. The results indicate a position error of less than 1.0 cm for 3 DOF and 4.5 cm for 5 DOF, and orientation error of 2$^\circ$ for 3 DOF and 8.2$^\circ$ for 6 DOF, which allows the deployment to certain real world-problems. However, out-of-domain errors and lack of extrapolation can be observed in the resulting GNN. An extensive analysis of these errors indicates potential for enhancement in the future. Consequently, the generated GNNs are tailored to be used in future work as an inductive bias to generate analytical equations through symbolic regression.
• Abstract（参考訳）: 本稿では,グラフニューラルネットワーク(GNN)を用いて,自動生成したデータセットに基づいて逆キネマティクス(IK)を学習する方法を示す。 生成した逆キネマティクスは、同じ自由度(DOF)を持つマニピュレータ群に一般化されるが、リンク長の設定は様々である。 その結果,3 DOFは1.0cm未満,5 DOFは4.5cm未満,3 DOFは2$^\circ$,6 DOFは8.2$^\circ$であり,特定の実世界への展開を可能にすることがわかった。 しかし、ドメイン外エラーや外挿の欠如は、結果として生じるGNNで観察できる。 これらの誤りを広範囲に分析すると、将来的な拡張の可能性を示している。 その結果、生成したGNNは、シンボル回帰を通じて解析方程式を生成する誘導バイアスとして将来の研究に使用されるように調整される。

関連論文リスト

• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• Calibrate and Boost Logical Expressiveness of GNN Over Multi-Relational and Temporal Graphs [8.095679736030146]
  2つの変数と数量化器を持つ一階述語論理の断片である$mathcalFOC$NNについて検討する。 本稿では,線形時間で実行可能な,前処理ステップに似た単純なグラフ変換手法を提案する。 我々の結果は,グラフ変換によるR$2$-GNNが,合成および実世界のデータセットのベースライン手法よりも優れていることを一貫して示している。
  論文  参考訳（メタデータ） (2023-11-03T00:33:24Z)
• How Graph Neural Networks Learn: Lessons from Training Dynamics [80.41778059014393]
  グラフニューラルネットワーク(GNN)の関数空間におけるトレーニングダイナミクスについて検討する。 GNNの勾配勾配勾配最適化は暗黙的にグラフ構造を利用して学習関数を更新する。 この発見は、学習したGNN関数が一般化した時期と理由に関する新たな解釈可能な洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-08T10:19:56Z)
• Towards Robust Fidelity for Evaluating Explainability of Graph Neural Networks [32.345435955298825]
  グラフニューラルネットワーク(GNN)は、グラフノード間のメッセージパッシングを介してグラフィカルデータの依存性構造を利用するニューラルネットワークである。 GNN説明可能性の研究における主な課題は、これらの説明機能の性能を評価するための忠実度尺度を提供することである。 本稿では,この基礎的課題について考察し,その限界を浮き彫りにする。
  論文  参考訳（メタデータ） (2023-10-03T06:25:14Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
  本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。 実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• GCN-FFNN: A Two-Stream Deep Model for Learning Solution to Partial Differential Equations [3.5665681694253903]
  本稿では、グラフ畳み込みネットワーク(GCN)アーキテクチャとフィードフォワードニューラルネットワーク(FFNN)に基づく新しい2ストリームディープモデルを提案する。 提案したGCN-FFNNモデルは、PDEドメインの離散化によって得られるグリッドとグラフデータという2種類の入力表現から学習する。 その結果,各GCNモデルおよびFFNNモデルに対する提案したGCN-FFNNモデルの適用性と効率性を示した。
  論文  参考訳（メタデータ） (2022-04-28T19:16:31Z)
• Transferability Properties of Graph Neural Networks [125.71771240180654]
  グラフニューラルネットワーク(GNN)は、中規模グラフでサポートされているデータから表現を学ぶのに成功している。 適度な大きさのグラフ上でGNNを訓練し、それらを大規模グラフに転送する問題について検討する。 その結果, (i) グラフサイズに応じて転送誤差が減少し, (ii) グラフフィルタは非線型性の散乱挙動によってGNNにおいて緩和されるような転送可能性-識別可能性トレードオフを有することがわかった。
  論文  参考訳（メタデータ） (2021-12-09T00:08:09Z)
• Stability of Graph Convolutional Neural Networks to Stochastic Perturbations [122.12962842842349]
  グラフ畳み込みニューラルネットワーク(GCNN)は、ネットワークデータから表現を学ぶ非線形処理ツールである。 現在の分析では決定論的摂動を考慮しているが、トポロジカルな変化がランダムである場合、関連する洞察を与えられない。 本稿では,リンク損失に起因する乱れグラフ摂動に対するGCNNの安定性について検討する。
  論文  参考訳（メタデータ） (2021-06-19T16:25:28Z)
• Implicit Graph Neural Networks [46.0589136729616]
  Indicit Graph Neural Networks (IGNN) と呼ばれるグラフ学習フレームワークを提案する。 IGNNは一貫して長距離依存を捉え、最先端のGNNモデルより優れている。
  論文  参考訳（メタデータ） (2020-09-14T06:04:55Z)
• Fast Learning of Graph Neural Networks with Guaranteed Generalizability: One-hidden-layer Case [93.37576644429578]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから実際に学習する上で、近年大きな進歩を遂げている。 回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
  論文  参考訳（メタデータ） (2020-06-25T00:45:52Z)

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。