論文の概要: Architectural change in neural networks using fuzzy vertex pooling

• arxiv url: http://arxiv.org/abs/2509.16287v1
• Date: Fri, 19 Sep 2025 07:56:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.721746
• Title: Architectural change in neural networks using fuzzy vertex pooling
• Title（参考訳）: ファジィ頂点プールを用いたニューラルネットワークの構造変化
• Authors: Shanookha Ali, Nitha Niralda, Sunil Mathew,
• Abstract要約: 本論文ではファジィ頂点プールの概念に関する公式な枠組みを紹介する。 ニューラルネットワークへの応用について、その重要な特性の概要を提供する。 これは、ディープラーニングトレーニングの後期段階でのプーリングの制限を強調し、長期化や大規模化のアプリケーションでは効果を低下させる。
• 参考スコア（独自算出の注目度）: 0.8921166277011348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The process of pooling vertices involves the creation of a new vertex, which becomes adjacent to all the vertices that were originally adjacent to the endpoints of the vertices being pooled. After this, the endpoints of these vertices and all edges connected to them are removed. In this document, we introduce a formal framework for the concept of fuzzy vertex pooling (FVP) and provide an overview of its key properties with its applications to neural networks. The pooling model demonstrates remarkable efficiency in minimizing loss rapidly while maintaining competitive accuracy, even with fewer hidden layer neurons. However, this advantage diminishes over extended training periods or with larger datasets, where the model's performance tends to degrade. This study highlights the limitations of pooling in later stages of deep learning training, rendering it less effective for prolonged or large-scale applications. Consequently, pooling is recommended as a strategy for early-stage training in advanced deep learning models to leverage its initial efficiency.
• Abstract（参考訳）: 頂点をプールするプロセスは、プールされる頂点のエンドポイントにもともと隣接していた全ての頂点に隣接する新しい頂点を作成することを含む。 その後、これらの頂点の終点とそれらに接続されたすべてのエッジは除去される。 本稿では,ファジィ頂点プーリング(FVP)の概念の形式的枠組みを導入し,その重要な特性とニューラルネットワークへの応用について概説する。 プールモデルは、少ない層状ニューロンであっても、競争精度を維持しながら損失を迅速に最小化する際、顕著な効率を示す。 しかし、この利点は、トレーニング期間の延長や、モデルのパフォーマンスが低下する傾向にあるより大きなデータセットよりも減少する。 この研究は、ディープラーニングトレーニングの後期段階におけるプーリングの限界を強調し、長期化や大規模化のアプリケーションでは効果を低下させる。 その結果,早期の深層学習モデルにおける初期訓練の戦略として,プーリングが推奨され,その初期効率が向上した。

関連論文リスト

• Deep Loss Convexification for Learning Iterative Models [11.36644967267829]
  点雲登録のための反復的最近点(ICP)のような反復的手法は、しばしば悪い局所最適性に悩まされる。 我々は,各地真実の周囲に凸景観を形成する学習を提案する。
  論文  参考訳（メタデータ） (2024-11-16T01:13:04Z)
• Curriculum-Enhanced Residual Soft An-Isotropic Normalization for Over-smoothness in Deep GNNs [4.468525856678543]
  本稿では,ノード埋め込みの多様性を保ち,過密性による不識別を防止するためのソフトグラフ正規化手法を提案する。 また, ディープGNNの最適化を向上するために, ラベル平滑な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-13T15:42:14Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• 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)
• Optimization-Based Separations for Neural Networks [57.875347246373956]
  本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。 これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
  論文  参考訳（メタデータ） (2021-12-04T18:07:47Z)
• Temporal Attention-Augmented Graph Convolutional Network for Efficient Skeleton-Based Human Action Recognition [97.14064057840089]
  グラフネットワーク(GCN)はユークリッド以外のデータ構造をモデル化するのに非常に成功した。 ほとんどのGCNベースのアクション認識手法は、計算量の多いディープフィードフォワードネットワークを使用して、全てのスケルトンをアクションで処理する。 本稿では,骨格に基づく行動認識の効率を高めるための時間的アテンションモジュール(TAM)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T08:01:55Z)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)
• Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
  グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。 しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。 本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2020-01-18T09:14:16Z)

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。