論文の概要: BoolSkeleton: Boolean Network Skeletonization via Homogeneous Pattern Reduction
- arxiv url: http://arxiv.org/abs/2511.02196v1
- Date: Tue, 04 Nov 2025 02:25:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 18:47:05.776942
- Title: BoolSkeleton: Boolean Network Skeletonization via Homogeneous Pattern Reduction
- Title（参考訳）: BoolSkeleton: 均一パターン還元によるブールネットワークスケルトン化
- Authors: Liwei Ni, Jiaxi Zhang, Shenggen Zheng, Junfeng Liu, Xingyu Meng, Biwei Xie, Xingquan Li, Huawei Li,
- Abstract要約: 本稿では,新しいブールネットワークスケルトン化法であるBoolSkeletonを紹介する。
これにより、設計固有の評価の一貫性と信頼性が向上する。
これらの実験は、論理合成における設計一貫性を高めるために、BoolSkeletonの可能性を強調している。
- 参考スコア（独自算出の注目度）: 4.8942111496121266
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Boolean equivalence allows Boolean networks with identical functionality to exhibit diverse graph structures. This gives more room for exploration in logic optimization, while also posing a challenge for tasks involving consistency between Boolean networks. To tackle this challenge, we introduce BoolSkeleton, a novel Boolean network skeletonization method that improves the consistency and reliability of design-specific evaluations. BoolSkeleton comprises two key steps: preprocessing and reduction. In preprocessing, the Boolean network is transformed into a defined Boolean dependency graph, where nodes are assigned the functionality-related status. Next, the homogeneous and heterogeneous patterns are defined for the node-level pattern reduction step. Heterogeneous patterns are preserved to maintain critical functionality-related dependencies, while homogeneous patterns can be reduced. Parameter K of the pattern further constrains the fanin size of these patterns, enabling fine-tuned control over the granularity of graph reduction. To validate BoolSkeleton's effectiveness, we conducted four analysis/downstream tasks around the Boolean network: compression analysis, classification, critical path analysis, and timing prediction, demonstrating its robustness across diverse scenarios. Furthermore, it improves above 55% in the average accuracy compared to the original Boolean network for the timing prediction task. These experiments underscore the potential of BoolSkeleton to enhance design consistency in logic synthesis.
- Abstract（参考訳）: ブール等価性により、同一機能を持つブールネットワークは多様なグラフ構造を示すことができる。
これにより、論理最適化の探求の余地が拡大し、Booleanネットワーク間の一貫性に関わるタスクにも課題が生じる。
この課題に対処するために、設計固有の評価の一貫性と信頼性を向上させる新しいブールネットワークスケルトン法であるBoolSkeletonを導入する。
BoolSkeletonは前処理と縮小という2つの重要なステップで構成されている。
前処理では、Booleanネットワークが定義されたBoolean依存グラフに変換され、ノードが機能関連ステータスに割り当てられる。
次に、ノードレベルのパターン削減ステップに対して、同種パターンと異種パターンを定義する。
不均一パターンは重要な機能関連依存関係を維持するために保存され、均質パターンは減少する。
このパターンのパラメータKは、これらのパターンのファンインサイズをさらに制限し、グラフ縮小の粒度を微調整で制御できる。
BoolSkeletonの有効性を検証するために,Booleanネットワークの4つの解析/ダウンストリームタスク(圧縮解析,分類,クリティカルパス解析,タイミング予測)を行った。
さらに、タイミング予測タスクのオリジナルのBooleanネットワークと比較して平均精度を55%以上改善する。
これらの実験は、論理合成における設計一貫性を高めるために、BoolSkeletonの可能性を強調している。
関連論文リスト
- Learning Compact Boolean Networks [4.625995357657371]
浮動小数点ニューラルネットワークは現代の機械学習を支配しているが、かなりの推論コストがかかる。
パラメータを加味せずに効率的な接続を学習するための新しい手法を提案する。
次に,ブール演算数を削減した局所性を利用した新しい畳み込みブールアーキテクチャを提案する。
第3に,連続値ネットワークをブール計算に変換する際の精度低下を低減するための適応的な離散化手法を提案する。
論文 参考訳（メタデータ） (2026-02-05T16:19:59Z) - Neural Approaches to SAT Solving: Design Choices and Interpretability [3.876394880838347]
本稿では,ブール充足可能性問題に適用したグラフニューラルネットワークの包括的評価を行う。
我々は、いくつかの訓練改善、特に、新しい最寄りの課題監督手法を導入する。
ニューラルネットワーク更新を繰り返す可変クラスグラフ表現の適合性について実験を行った。
論文 参考訳（メタデータ） (2025-04-01T20:31:01Z) - "Principal Components" Enable A New Language of Images [79.45806370905775]
証明可能なPCAのような構造を潜在トークン空間に組み込む新しい視覚トークン化フレームワークを導入する。
提案手法は、最先端の再構築性能を実現し、人間の視覚システムとの整合性を向上する。
論文 参考訳（メタデータ） (2025-03-11T17:59:41Z) - Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。
具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。
そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
論文 参考訳（メタデータ） (2024-08-08T17:20:08Z) - Network two-sample test for block models [16.597465729143813]
2組のネットワークが同じモデルに由来するかどうかを判定することを目的とするネットワークの2サンプルテスト問題を考える。
ネットワーク分布にブロックモデル(SBM)を適用するのは,その解釈可能性と,より一般的なモデルに近似する可能性からである。
推定されたネットワークパラメータにマッチする効率的なアルゴリズムを導入し、サンプル内およびサンプル間の情報を適切に組み合わせ、コントラスト化することで、強力なテストを実現する。
論文 参考訳（メタデータ） (2024-06-10T04:28:37Z) - Bort: Towards Explainable Neural Networks with Bounded Orthogonal
Constraint [90.69718495533144]
モデル説明可能性を改善するアルゴリズムであるBortを紹介する。
Bortに基づいて、追加のパラメータやトレーニングを必要とせずに、説明可能な対数サンプルを合成できる。
Bortは、MNIST上のResNetやDeiT、CIFAR-10、ImageNetなど、さまざまなアーキテクチャの分類精度を常に改善している。
論文 参考訳（メタデータ） (2022-12-18T11:02:50Z) - Simple initialization and parametrization of sinusoidal networks via
their kernel bandwidth [92.25666446274188]
従来の活性化機能を持つネットワークの代替として、活性化を伴う正弦波ニューラルネットワークが提案されている。
まず,このような正弦波ニューラルネットワークの簡易版を提案する。
次に、ニューラルタンジェントカーネルの観点からこれらのネットワークの挙動を分析し、そのカーネルが調整可能な帯域幅を持つ低域フィルタを近似することを実証する。
論文 参考訳（メタデータ） (2022-11-26T07:41:48Z) - Semi-Supervised Clustering of Sparse Graphs: Crossing the
Information-Theoretic Threshold [3.6052935394000234]
ブロックモデルは、ネットワーク構造データのクラスタリングとコミュニティ検出のための標準ランダムグラフモデルである。
ネットワークトポロジに基づく推定器は、モデルパラメータが一定の閾値以下である場合、スパースグラフの確率よりも大幅に向上する。
パラメータ領域全体でラベルの任意の部分で実現可能であることを示す。
論文 参考訳（メタデータ） (2022-05-24T00:03:25Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Mitigating Performance Saturation in Neural Marked Point Processes:
Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。
我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2021-07-07T16:59:14Z) - Bayesian Attention Belief Networks [59.183311769616466]
注意に基づくニューラルネットワークは、幅広いタスクにおいて最先端の結果を得た。
本稿では,非正規化注意重みをモデル化してデコーダネットワークを構築するベイズ的注意信念ネットワークについて紹介する。
提案手法は, 精度, 不確実性推定, ドメイン間の一般化, 敵攻撃において, 決定論的注意と最先端の注意よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-06-09T17:46:22Z) - Tractably Modelling Dependence in Networks Beyond Exchangeability [0.0]
本研究では, ネットワークの推定, クラスタリング, 次数挙動について検討する。
このことは、一般的には交換不能なネットワークデータをブロックモデルで記述できる理由と方法を探る。
論文 参考訳（メタデータ） (2020-07-28T17:13:59Z)
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。