論文の概要: Proceedings of the Fourteenth and Fifteenth International Workshop on Graph Computation Models
- arxiv url: http://arxiv.org/abs/2503.19632v1
- Date: Tue, 25 Mar 2025 13:19:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:50:02.087794
- Title: Proceedings of the Fourteenth and Fifteenth International Workshop on Graph Computation Models
- Title(参考訳): 第14回および第15回国際グラフ計算モデルワークショップの開催報告
- Authors: Jörg Endrullis, Dominik Grzelak, Tobias Heindel, Jens Kosiol,
- Abstract要約: ワークショップは2023年7月18日にイギリスのレスター、2024年7月9日にオランダのエンシェデで行われた。
国際GCMワークショップシリーズの目的は、グラフとグラフ変換に基づく計算モデルのあらゆる側面に関心を持つ研究者を集結させることである。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: This volume contains the post-proceedings of the Fourteenth and the Fifteenth International Workshops on Graph Computation Models (GCM 2023 and 2024). The workshops took place in Leicester, UK on 18th July 2023 and Enschede, the Netherlands on 9th July 2024, in each case as part of STAF (Software Technologies: Applications and Foundations). Graphs are common mathematical structures that are visual and intuitive. They constitute a natural and seamless way for system modeling in science, engineering, and beyond, including computer science, biology, and business process modeling. Graph computation models constitute a class of very high-level models where graphs are first-class citizens. The aim of the International GCM Workshop series is to bring together researchers interested in all aspects of computation models based on graphs and graph transformation. It promotes the cross-fertilizing exchange of ideas and experiences among senior and young researchers from the different communities interested in the foundations, applications, and implementations of graph computation models and related areas.
- Abstract(参考訳): この巻には、第14回および第15回グラフ計算モデルに関する国際ワークショップ(GCM 2023, 2024)が後述されている。
ワークショップは2023年7月18日にイギリスのレスター、2024年7月9日にオランダのエンシェデで行われ、それぞれSTAF(Software Technologies: Applications and Foundations)の一部として行われた。
グラフは視覚的で直感的な一般的な数学的構造である。
これらは、コンピュータ科学、生物学、ビジネスプロセスモデリングを含む、科学、工学、その他の分野におけるシステムモデリングの自然でシームレスな方法を構成する。
グラフ計算モデルは、グラフが第一級市民である非常に高いレベルのモデルのクラスを構成する。
国際GCMワークショップシリーズの目的は、グラフとグラフ変換に基づく計算モデルのあらゆる側面に関心を持つ研究者を集結させることである。
これは、グラフ計算モデルとその関連分野の基礎、応用、実装に関心のある、様々なコミュニティの上級および若手研究者の間で、アイデアと経験の交配を促進する。
関連論文リスト
- Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
グラフにおけるクロスタスクの一般性を学習するための新しいアプローチを提案する。
グラフ上のタスク空間を整列させるための基本的な学習インスタンスとしてタスクツリーを提案する。
その結果,グラフニューラルネットワークが多種多様なタスクツリーで事前訓練された場合,伝達可能な知識を取得することが示唆された。
論文 参考訳(メタデータ) (2024-12-21T02:07:43Z) - Large Generative Graph Models [74.58859158271169]
大規模グラフ生成モデル(LGGM)と呼ばれる新しいグラフ生成モデルを提案する。
事前訓練されたLGGMは、既存のグラフ生成モデルよりもゼロショット生成能力が優れている。
LGGMは、ターゲットドメインからのグラフで簡単に微調整でき、スクラッチから直接トレーニングされたグラフよりも、さらに優れたパフォーマンスを示すことができる。
論文 参考訳(メタデータ) (2024-06-07T17:41:47Z) - Survey on Embedding Models for Knowledge Graph and its Applications [0.0]
知識グラフ(KG)は、ノードが現実世界の実体や抽象的な概念を表現し、エッジが実体間の関係を表現する世界の事実を表現するグラフベースのデータ構造である。
知識グラフ埋め込みは、それらの間の意味的関係をキャプチャすることで、低次元ベクトル空間における実体と関係を表現することによって、欠点に取り組む。
ここでは、意味的特性、スコアリング機能、使用するアーキテクチャに基づいて異なる翻訳ベースとニューラルネットワークベースの埋め込みモデルについて議論する。
論文 参考訳(メタデータ) (2024-04-14T07:15:59Z) - Graph Foundation Models: Concepts, Opportunities and Challenges [66.37994863159861]
ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。
一般化と適応における基礎モデルの能力は、グラフ機械学習研究者を動機付け、新しいグラフ学習パラダイムを開発する可能性について議論する。
本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
論文 参考訳(メタデータ) (2023-10-18T09:31:21Z) - Graph Meets LLMs: Towards Large Graph Models [60.24970313736175]
本稿では,大規模グラフモデルの開発に伴う課題と機会について論じる。
まず,大規模グラフモデルの所望の特性について考察する。
次に、表現ベース、グラフデータ、グラフモデルという3つの重要な視点から詳細な議論を行う。
論文 参考訳(メタデータ) (2023-08-28T12:17:51Z) - Connector 0.5: A unified framework for graph representation learning [5.398580049917152]
本稿では,浅層から最先端まで,様々なグラフ埋め込みモデルをカバーする新しいグラフ表現フレームワークを提案する。
我々は,グラフの構造的関係を表現するためのディープグラフ埋め込みモデルを提供する,効率的なオープンソースフレームワークを構築する計画である。
論文 参考訳(メタデータ) (2023-04-25T23:28:38Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳(メタデータ) (2022-12-12T08:40:04Z) - GraphTune: A Learning-based Graph Generative Model with Tunable
Structural Features [3.3248768737711045]
本研究では,グローバルな構造的特徴の値を条件として調整できる生成モデルを提案する。
GraphTuneと呼ばれる私たちのモデルは、生成されたグラフの構造的特徴の値を調整できます。
論文 参考訳(メタデータ) (2022-01-27T13:14:53Z) - Proceedings of the 13th International Conference on Automated Deduction
in Geometry [0.0]
ADGは、アイデアとビューを交換し、研究結果と進捗を提示し、幾何学と自動推論の交差点でソフトウェアツールを実証するためのフォーラムである。
以前のADGは2018年に南京、2016年にストラスブール、2014年にコインブラ、2012年にエディンバラ、2010年にミュンヘン、2008年に上海、2004年にポンテベドラ、2004年にチューリッヒ、1998年に北京、1996年にトゥールーズで開催された。
第13回ADGは2020年にオーストリアのハゲンベルクで開催される予定だったが、新型コロナウイルス(COVID-19)のパンデミックにより2021年に延期され、オンライン(RISCインスティテュート、ハゲンベルク)で開催されている。
論文 参考訳(メタデータ) (2021-12-28T21:56:13Z) - Self-supervised Graph-level Representation Learning with Local and
Global Structure [71.45196938842608]
自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。
GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。
モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
論文 参考訳(メタデータ) (2021-06-08T05:25:38Z)
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。