論文の概要: Node Classification and Search on the Rubik's Cube Graph with GNNs
- arxiv url: http://arxiv.org/abs/2501.18580v1
- Date: Thu, 30 Jan 2025 18:52:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-31 15:14:25.063735
- Title: Node Classification and Search on the Rubik's Cube Graph with GNNs
- Title（参考訳）: GNNを用いたルービックキューブグラフのノード分類と探索
- Authors: Alessandro Barro,
- Abstract要約: 本研究では3x3x3ルービックのルービック問題を解くための深部幾何学モデルの応用に焦点を当てた。
まず、立方体のグラフ表現と距離をモデルの最適化目的として定義することから始める。
距離近似タスクはノード分類問題として再構成され、グラフニューラルネットワーク(GNN)を用いて効果的に処理される。
- 参考スコア（独自算出の注目度）: 55.2480439325792
- License:
- Abstract: This study focuses on the application of deep geometric models to solve the 3x3x3 Rubik's Cube. We begin by discussing the cube's graph representation and defining distance as the model's optimization objective. The distance approximation task is reformulated as a node classification problem, effectively addressed using Graph Neural Networks (GNNs). After training the model on a random subgraph, the predicted classes are used to construct a heuristic for $A^*$ search. We conclude with experiments comparing our heuristic to that of the DeepCubeA model.
- Abstract（参考訳）: 本研究では,3x3x3ルービックキューブの解法における深部幾何学モデルの応用に焦点を当てた。
まず、立方体のグラフ表現と距離をモデルの最適化目的として定義することから始める。
距離近似タスクはノード分類問題として再構成され、グラフニューラルネットワーク(GNN)を用いて効果的に処理される。
ランダムな部分グラフ上でモデルをトレーニングした後、予測クラスを使用して、$A^*$検索のためのヒューリスティックを構築する。
実験の結果,DeepCubeAモデルとの比較を行った。
関連論文リスト
- Graph Spring Neural ODEs for Link Sign Prediction [49.71046810937725]
本稿では,春の力によってモデル化されたグラフスプリングネットワーク(GSN)と呼ばれる新しいメッセージパッシング層アーキテクチャを提案する。
提案手法は,大規模グラフ上で最大28,000のノード生成時間高速化係数を持つ最先端手法に近い精度を実現する。
論文 参考訳（メタデータ） (2024-12-17T13:50:20Z) - Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2024-03-11T06:34:05Z) - Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。
我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
論文 参考訳（メタデータ） (2022-10-27T16:00:45Z) - Learning task-specific features for 3D pointcloud graph creation [0.8629912408966145]
本稿では,3Dポイントクラウドからグラフを作成する方法を提案する。
提案手法は,入力された3Dポイントクラウドの変換上でk-NNを実行することに基づいている。
また, ストレス最小化に基づく正規化手法を導入し, ベースラインから学習グラフまでの距離を制御できるようにした: k-NN over xyz 空間。
論文 参考訳（メタデータ） (2022-09-02T11:13:02Z) - Deep Manifold Learning with Graph Mining [80.84145791017968]
グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。
提案モデルでは,現行モデルと比較して最先端性能を実現している。
論文 参考訳（メタデータ） (2022-07-18T04:34:08Z) - SN-Graph: a Minimalist 3D Object Representation for Classification [4.145824494809195]
本稿では,3次元オブジェクトを表現するためのSphere Node Graph (SN-Graph)を提案する。
具体的には、署名された距離場(SDF)から特定の内部球体(ノードとして)を抽出し、その後、球体ノード間の接続(エッジとして)を確立してグラフを構築する。
ModelNet40データセットで行った実験では、グラフにノードが少ない場合や、テスト対象が任意に回転する場合、SN-Graphの分類精度が著しく高いことが示されている。
論文 参考訳（メタデータ） (2021-05-31T08:24:09Z) - Exploiting Local Geometry for Feature and Graph Construction for Better
3D Point Cloud Processing with Graph Neural Networks [22.936590869919865]
グラフニューラルネットワークの一般枠組みにおける点表現と局所近傍グラフ構築の改善を提案する。
提案されたネットワークは、トレーニングの収束を高速化する。
分類のための40%のより少ないエポック。
論文 参考訳（メタデータ） (2021-03-28T21:34:59Z) - Distance Encoding: Design Provably More Powerful Neural Networks for
Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。
GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。
より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。
本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文 参考訳（メタデータ） (2020-08-31T23:15:40Z) - Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud [3.04585143845864]
本稿では,LiDAR点雲から物体を検出するグラフニューラルネットワークを提案する。
我々は、その点雲を近辺の固定半径グラフに効率よくエンコードする。
Point-GNNでは,翻訳のばらつきを低減する自動登録機構を提案する。
論文 参考訳（メタデータ） (2020-03-02T23:44:12Z)
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。