論文の概要: Polaritonic Machine Learning for Graph-based Data Analysis

• arxiv url: http://arxiv.org/abs/2507.10415v1
• Date: Mon, 14 Jul 2025 15:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:25.362394
• Title: Polaritonic Machine Learning for Graph-based Data Analysis
• Title（参考訳）: グラフデータ解析のためのポラリトニック機械学習
• Authors: Yuan Wang, Stefano Scali, Oleksandr Kyriienko,
• Abstract要約: フォトニックおよびポラトニックシステムは、物理ベースのコンピューティングを通じて機械学習(ML)を加速するための高速で効率的なプラットフォームを提供する。 凝縮体の格子が、ポイントクラウドデータセットからのリレーショナルおよびトポロジカル情報を効率的に埋め込む方法を示す。 この情報は、畳み込みニューラルネットワーク(CNN)に基づいたパターン認識ワークフローに組み込まれる。
• 参考スコア（独自算出の注目度）: 25.723282688367924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photonic and polaritonic systems offer a fast and efficient platform for accelerating machine learning (ML) through physics-based computing. To gain a computational advantage, however, polaritonic systems must: (1) exploit features that specifically favor nonlinear optical processing; (2) address problems that are computationally hard and depend on these features; (3) integrate photonic processing within broader ML pipelines. In this letter, we propose a polaritonic machine learning approach for solving graph-based data problems. We demonstrate how lattices of condensates can efficiently embed relational and topological information from point cloud datasets. This information is then incorporated into a pattern recognition workflow based on convolutional neural networks (CNNs), leading to significantly improved learning performance compared to physics-agnostic methods. Our extensive benchmarking shows that photonic machine learning achieves over 90\% accuracy for Betti number classification and clique detection tasks - a substantial improvement over the 35\% accuracy of bare CNNs. Our study introduces a distinct way of using photonic systems as fast tools for feature engineering, while building on top of high-performing digital machine learning.
• Abstract（参考訳）: フォトニックおよびポラトニックシステムは、物理ベースのコンピューティングを通じて機械学習(ML)を加速するための高速で効率的なプラットフォームを提供する。 しかし、計算上の優位性を得るためには、(1)非線形光学処理を特に好む特徴を活用すること、(2)計算的に困難でこれらの特徴に依存する問題に対処すること、(3)より広範なMLパイプラインにフォトニック処理を統合することが必要である。 本稿では,グラフに基づくデータ問題を解決するための分極的機械学習手法を提案する。 我々は, 凝縮体の格子が, ポイントクラウドデータセットからの相関やトポロジ的情報を効率的に埋め込む方法を示した。 この情報は、畳み込みニューラルネットワーク(CNN)に基づくパターン認識ワークフローに組み込まれ、物理に依存しない手法に比べて学習性能が大幅に向上する。 我々の大規模なベンチマークでは、フォトニック機械学習がベッチ数分類と斜め検出タスクの90%以上精度を達成していることが示されています。 本研究は,高パフォーマンスなデジタル機械学習上に構築しながら,フォトニックシステムを機能工学の高速ツールとして用いる方法を紹介した。

関連論文リスト

• Learning-Based Finite Element Methods Modeling for Complex Mechanical Systems [1.6977525619006286]
  複雑な力学系シミュレーションは多くの実世界の応用において重要である。 最近のCNNやGNNベースのシミュレーションモデルは、複雑なメカニックシミュレーションを効果的に表すのに苦戦している。 本稿では,新しい2レベルメッシュグラフネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-30T15:56:50Z)
• Joint Feature and Differentiable $ k $-NN Graph Learning using Dirichlet Energy [103.74640329539389]
  特徴選択と識別可能な$k $-NNグラフ学習を同時に行うディープFS法を提案する。 我々は、ニューラルネットワークで$ k $-NNグラフを学習する際の非微分可能性問題に対処するために、最適輸送理論を用いる。 本モデルの有効性を,合成データセットと実世界のデータセットの両方で広範な実験により検証する。
  論文  参考訳（メタデータ） (2023-05-21T08:15:55Z)
• Unlearning Graph Classifiers with Limited Data Resources [39.29148804411811]
  制御されたデータ削除は、データに敏感なWebアプリケーションのための機械学習モデルの重要機能になりつつある。 グラフニューラルネットワーク(GNN)の効率的な機械学習を実現する方法はまだほとんど知られていない。 我々の主な貢献は GST に基づく非線形近似グラフアンラーニング法である。 第2の貢献は、提案した未学習機構の計算複雑性の理論解析である。 第3のコントリビューションは広範囲なシミュレーションの結果であり、削除要求毎のGNNの完全再トレーニングと比較して、新しいGSTベースのアプローチは平均10.38倍のスピードアップを提供する。
  論文  参考訳（メタデータ） (2022-11-06T20:46:50Z)
• Scalable algorithms for physics-informed neural and graph networks [0.6882042556551611]
  物理インフォームド機械学習(PIML)は、複雑な物理的および生物学的システムをシミュレートするための有望な新しいアプローチとして登場した。 PIMLでは、物理法則を適用し、時空領域のランダムな点で評価することで得られる追加情報から、そのようなネットワークを訓練することができる。 本稿では、主にフィードフォワードニューラルネットワークと自動微分に基づく物理情報ニューラルネットワーク(PINN)を用いて、物理を機械学習に組み込む一般的なトレンドについて概説する。
  論文  参考訳（メタデータ） (2022-05-16T15:46:11Z)
• All-optical graph representation learning using integrated diffractive photonic computing units [51.15389025760809]
  フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。 我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。 ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-04-23T02:29:48Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Scalable Graph Embedding LearningOn A Single GPU [18.142879223260785]
  本稿では,大規模グラフの埋め込み学習の課題に対処する,ハイブリッドCPU-GPUフレームワークを提案する。 我々のシステムは、単一のマシンの総メモリ容量より桁違いに大きいデータセットにトレーニングをスケールできることを示します。
  論文  参考訳（メタデータ） (2021-10-13T19:09:33Z)
• A Framework for Fast Scalable BNN Inference using Googlenet and Transfer Learning [0.0]
  本論文は、リアルタイム性能の良い物体検出の高精度化を目指します。 バイナライズニューラルネットワークは、画像分類、オブジェクト検出、セマンティックセグメンテーションなど、さまざまな視覚タスクで高いパフォーマンスを発揮しています。 その結果,移動学習法により検出された物体の精度は,既存手法と比較して高いことがわかった。
  論文  参考訳（メタデータ） (2021-01-04T06:16:52Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• Curriculum By Smoothing [52.08553521577014]
  畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。 アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。 トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
  論文  参考訳（メタデータ） (2020-03-03T07:27:44Z)

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。