Fugu-MT 論文翻訳(概要): Relational GNNs Cannot Learn $C

論文の概要: Relational GNNs Cannot Learn $C_2$ Features for Planning

arxiv url: http://arxiv.org/abs/2506.11721v1
Date: Fri, 13 Jun 2025 12:35:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-16 17:50:49.783366
Title: Relational GNNs Cannot Learn $C_2$ Features for Planning
Title（参考訳）: リレーショナルGNNは計画のための$C_2$機能を学ぶことができない
Authors: Dillon Z. Chen,
Abstract要約: グラフニューラルネットワーク(英: Graph Neural Networks、R-GNN)は、ある計画領域の未確認問題に一般化できる価値関数を学習するためのアプローチである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Relational Graph Neural Networks (R-GNNs) are a GNN-based approach for learning value functions that can generalise to unseen problems from a given planning domain. R-GNNs were theoretically motivated by the well known connection between the expressive power of GNNs and $C_2$, first-order logic with two variables and counting. In the context of planning, $C_2$ features refer to the set of formulae in $C_2$ with relations defined by the unary and binary predicates of a planning domain. Some planning domains exhibit optimal value functions that can be decomposed as arithmetic expressions of $C_2$ features. We show that, contrary to empirical results, R-GNNs cannot learn value functions defined by $C_2$ features. We also identify prior GNN architectures for planning that may better learn value functions defined by $C_2$ features.
Abstract（参考訳）: リレーショナルグラフニューラルネットワーク(Relational Graph Neural Networks、R-GNN)は、特定の計画領域から目に見えない問題に一般化できる価値関数を学習するためのGNNベースのアプローチである。 R-GNNは、GNNの表現力と2変数の1次論理である$C_2$とのよく知られた接続によって理論的に動機づけられた。計画の文脈において、$C_2$の機能は計画領域の単項述語と二項述語によって定義される関係を持つ$C_2$の式の集合を指す。いくつかの計画領域は、$C_2$の関数の算術式として分解できる最適な値関数を示す。実験結果とは対照的に、R-GNNは$C_2$機能によって定義される値関数を学習できないことを示す。また、$C_2$の機能によって定義された値関数をよりよく学習する計画のための以前のGNNアーキテクチャも特定します。

関連論文リスト

Learning More Expressive General Policies for Classical Planning Domains [15.574717738100727]
計画領域全体にわたる一般的なポリシーを学ぶためのGNNベースのアプローチは、$C express$の表現力によって制限される。この制限は、$k$-GNNs、$k$=3に移行することで克服できる。実験では、R-GNN[$1$]が通常のR-GNNよりも大きく、エッジトランスフォーマーも約3ドル高い。
論文参考訳（メタデータ） (2024-03-18T12:42:53Z)
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)
On the Computational Complexity and Formal Hierarchy of Second Order Recurrent Neural Networks [59.85314067235965]
2次次リカレントネットワーク(RNN)の理論基盤を拡大する(2次RNN) 有界時間でチューリング完備な RNN のクラスが存在することを証明している。また、記憶のない2ドルのRNNは、バニラRNNのような現代のモデルよりも優れており、正規文法の認識において繰り返し単位をゲートしていることを示す。
論文参考訳（メタデータ） (2023-09-26T06:06:47Z)
Learning General Optimal Policies with Graph Neural Networks: Expressive Power, Transparency, and Limits [18.718037284357834]
我々は、多数のサンプル状態の最適値関数$V*(s)$を近似するために、教師付き方法で単純なGNNを訓練する。一般的な最適値関数が$C$特徴で定義できるが、より表現力のある$C_3$特徴を必要とする領域では定義できない領域では、一般的な最適ポリシーが得られている。
論文参考訳（メタデータ） (2021-09-21T12:22:29Z)
Graph Neural Networks with Local Graph Parameters [1.8600631687568656]
ローカルグラフパラメータは、任意のグラフニューラルネットワーク(GNN)アーキテクチャに追加することができる。我々の結果は、有限モデル理論と有限変数論理の深い結果とGNNを結びつける。
論文参考訳（メタデータ） (2021-06-12T07:43:51Z)
Learning to Execute Programs with Instruction Pointer Attention Graph Neural Networks [55.98291376393561]
グラフニューラルネットワーク(GNN)は、ソフトウェアエンジニアリングタスクを学習するための強力なツールとして登場した。リカレントニューラルネットワーク(RNN)は、長いシーケンシャルな推論の連鎖に適しているが、プログラム構造を自然に組み込んでいるわけではない。本稿では,新しいGNNアーキテクチャ,IPA-GNN(Instruction Pointer Attention Graph Neural Networks)を導入する。
論文参考訳（メタデータ） (2020-10-23T19:12:30Z)
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)
Eigen-GNN: A Graph Structure Preserving Plug-in for GNNs [95.63153473559865]
グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。既存のGNNモデルの多くは浅く、本質的に機能中心である。我々は,既存の浅いGNNがグラフ構造をよく保存できないことを経験的かつ解析的に示す。本稿では,グラフ構造保存におけるGNNの能力を高めるプラグインモジュールであるEigen-GNNを提案する。
論文参考訳（メタデータ） (2020-06-08T02:47:38Z)
Evaluating Logical Generalization in Graph Neural Networks [59.70452462833374]
グラフニューラルネットワーク(GNN)を用いた論理一般化の課題について検討する。ベンチマークスイートであるGraphLogでは、学習アルゴリズムが異なる合成論理でルール誘導を実行する必要がある。モデルが一般化し適応する能力は、トレーニング中に遭遇する論理規則の多様性によって強く決定される。
論文参考訳（メタデータ） (2020-03-14T05:45:55Z)

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。