論文の概要: Covariance Density Neural Networks

• arxiv url: http://arxiv.org/abs/2505.11139v1
• Date: Fri, 16 May 2025 11:38:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.792744
• Title: Covariance Density Neural Networks
• Title（参考訳）: 共分散密度ニューラルネットワーク
• Authors: Om Roy, Yashar Moshfeghi, Keith Smith,
• Abstract要約: グラフニューラルネットワークは、ネットワークデータのモデル化と予測方法を再定義した。 シグナルをモデル化する基盤となる正しいグラフ構造を選択することには、コンセンサスがない。 我々は,脳波脳波画像分類において,被験者に依存しない脳波脳波画像分類において高い性能が得られることを示す。
• 参考スコア（独自算出の注目度）: 5.4141465747474475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks have re-defined how we model and predict on network data but there lacks a consensus on choosing the correct underlying graph structure on which to model signals. CoVariance Neural Networks (VNN) address this issue by using the sample covariance matrix as a Graph Shift Operator (GSO). Here, we improve on the performance of VNNs by constructing a Density Matrix where we consider the sample Covariance matrix as a quasi-Hamiltonian of the system in the space of random variables. Crucially, using this density matrix as the GSO allows components of the data to be extracted at different scales, allowing enhanced discriminability and performance. We show that this approach allows explicit control of the stability-discriminability trade-off of the network, provides enhanced robustness to noise compared to VNNs, and outperforms them in useful real-life applications where the underlying covariance matrix is informative. In particular, we show that our model can achieve strong performance in subject-independent Brain Computer Interface EEG motor imagery classification, outperforming EEGnet while being faster. This shows how covariance density neural networks provide a basis for the notoriously difficult task of transferability of BCIs when evaluated on unseen individuals.
• Abstract（参考訳）: グラフニューラルネットワークは、ネットワークデータに基づいてどのようにモデル化し、予測するかを再定義しているが、シグナルをモデル化する基盤となる正しいグラフ構造を選択することには、コンセンサスがない。 コバリアンスニューラルネットワーク(VNN)は、サンプル共分散行列をグラフシフト演算子(GSO)として使用することでこの問題に対処する。 本稿では,サンプル共分散行列を確率変数空間における系の準ハミルトニアンとみなす密度行列を構築することにより,VNNの性能を向上させる。 重要なことに、この密度行列をGSOとして使用することで、データのコンポーネントを異なるスケールで抽出することができ、識別性と性能が向上する。 提案手法は,ネットワークの安定性と識別可能性のトレードオフを明示的に制御し,VNNと比較してノイズに対する強靭性を向上し,基礎となる共分散行列が有益である有用な実生活アプリケーションにおいて性能を向上することを示す。 特に,脳神経インタフェースの脳波画像分類において,より高速な脳波網よりも優れた性能が得られることを示す。 このことは、共分散密度ニューラルネットワークが、見えない個人に対して評価された場合、BCIの伝達可能性の非常に難しいタスクの基盤となることを示す。

関連論文リスト

• Training Graph Neural Networks Using Non-Robust Samples [2.1937382384136637]
  グラフニューラルネットワーク(GNN)は、構造化されたデータを処理するための、非常に効果的なニューラルネットワークである。 GNNは、データポイント間の関係を表すグラフ構造と、データの特徴行列の両方を活用して、特徴表現を最適化する。 本稿では,モデルトレーニングのためのより小型で効果的なトレーニングセットを構築するために,元のトレーニングセットからノイズに敏感なトレーニングサンプルを選択する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-19T11:10:48Z)
• Sparse Covariance Neural Networks [15.616852692528594]
  スパース共分散ニューラルネットワーク(S-VNN)は,名目VNNよりも安定であることを示す。 本稿では, S-VNNのタスク性能, 安定性, 計算効率を, 名目VNNと比較して改善したことを示す。
  論文  参考訳（メタデータ） (2024-10-02T15:37:12Z)
• Scalable and Consistent Graph Neural Networks for Distributed Mesh-based Data-driven Modeling [0.0]
  この研究は、メッシュベースのモデリングアプリケーションのための分散グラフニューラルネットワーク(GNN)方法論を開発する。 一貫性とは、1つのランク(1つの大きなグラフ)で訓練され評価されたGNNが、複数のランク(分割グラフ)での評価と算術的に等価であるという事実を指す。 NekRSメッシュのパーティショニングが分散GNNトレーニングと推論ルーチンにどのようにリンクできるかを示し、スケーラブルなメッシュベースのデータ駆動モデリングワークフローを実現する。
  論文  参考訳（メタデータ） (2024-10-02T15:22:27Z)
• Neural Tangent Kernels Motivate Graph Neural Networks with Cross-Covariance Graphs [94.44374472696272]
  グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。 その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。 これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
  論文  参考訳（メタデータ） (2023-10-16T19:54:21Z)
• coVariance Neural Networks [119.45320143101381]
  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内の相互関係を利用して学習する効果的なフレームワークである。 我々は、サンプル共分散行列をグラフとして扱う、共分散ニューラルネットワーク(VNN)と呼ばれるGNNアーキテクチャを提案する。 VNN の性能は PCA ベースの統計手法よりも安定していることを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:04:43Z)
• Optimising for Interpretability: Convolutional Dynamic Alignment Networks [108.83345790813445]
  我々は、畳み込み動的アライメントネットワーク(CoDA Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。 彼らの中核となるビルディングブロックは動的アライメントユニット(DAU)であり、タスク関連パターンに合わせて動的に計算された重みベクトルで入力を変換するように最適化されている。 CoDAネットは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
  論文  参考訳（メタデータ） (2021-09-27T12:39:46Z)
• Discriminability of Single-Layer Graph Neural Networks [172.5042368548269]
  グラフニューラルネットワーク(GNN)は、幅広い問題について有望な性能を示した。 本稿では, 識別可能性の特性に着目し, 安定グラフフィルタバンクへのポイントワイド非線形性の適用により, 高固有値コンテンツに対する識別能力が向上する条件を確立する。
  論文  参考訳（メタデータ） (2020-10-17T18:52:34Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。