論文の概要: Link prediction Graph Neural Networks for structure recognition of Handwritten Mathematical Expressions

• arxiv url: http://arxiv.org/abs/2511.02288v1
• Date: Tue, 04 Nov 2025 06:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.824628
• Title: Link prediction Graph Neural Networks for structure recognition of Handwritten Mathematical Expressions
• Title（参考訳）: 手書き数式の構造認識のためのリンク予測グラフニューラルネットワーク
• Authors: Cuong Tuan Nguyen, Ngoc Tuan Nguyen, Triet Hoang Minh Dao, Huy Minh Nhat, Huy Truong Dinh,
• Abstract要約: 我々は,HMEをグラフとしてモデル化し,ノードがシンボルやエッジをキャプチャする手書き数学的表現(HME)認識のためのグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。 深部BLSTMネットワークはシンボルのセグメンテーション、認識、空間関係の分類に使われ、初期原始グラフを形成する。 2D-CFGはすべての空間関係を生成するが、GNNベースのリンク予測モデルは不要な接続を除去して構造を洗練し、最終的にシンボルラベルグラフを形成する。
• 参考スコア（独自算出の注目度）: 1.0368454754549237
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We propose a Graph Neural Network (GNN)-based approach for Handwritten Mathematical Expression (HME) recognition by modeling HMEs as graphs, where nodes represent symbols and edges capture spatial dependencies. A deep BLSTM network is used for symbol segmentation, recognition, and spatial relation classification, forming an initial primitive graph. A 2D-CFG parser then generates all possible spatial relations, while the GNN-based link prediction model refines the structure by removing unnecessary connections, ultimately forming the Symbol Label Graph. Experimental results demonstrate the effectiveness of our approach, showing promising performance in HME structure recognition.
• Abstract（参考訳）: 我々は,HMEをグラフとしてモデル化し,ノードがシンボルやエッジを表現し,空間的依存関係をキャプチャする,手書き数学的表現(HME)認識のためのグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。 深部BLSTMネットワークはシンボルのセグメンテーション、認識、空間関係の分類に使われ、初期原始グラフを形成する。 2D-CFGパーサが全ての空間関係を生成する一方、GNNベースのリンク予測モデルは不要な接続を除去して構造を洗練し、最終的にシンボルラベルグラフを形成する。 提案手法の有効性を実験的に検証し,HME構造認識における有望な性能を示した。

関連論文リスト

• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Local and Global Graph Modeling with Edge-weighted Graph Attention Network for Handwritten Mathematical Expression Recognition [3.419173524128023]
  エッジ重み付きグラフ注意機構(EGAT)を用いたエンドツーエンドモデルを導入し,ノードとエッジの同時分類を行う。 また,局所(LGM)情報とグローバル(GGM)情報の両方に対して,ストロークレベルのグラフモデリング手法を提案する。 本システムは,記号検出,関係分類,表現レベルの認識において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-24T08:59:27Z)
• Signed Graph Autoencoder for Explainable and Polarization-Aware Network Embeddings [20.77134976354226]
  署名付きネットワーク用に設計されたSGAAE(Signed Graph Archetypal Autoencoder)フレームワーク。 SGAAEは、異なる極端プロファイル上でノードメンバシップを表現するノードレベル表現を抽出する。 モデルは、実世界の4つのデータセット間で署名付きリンク予測の異なるタスクで高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-09-16T16:40:40Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Compact Graph Architecture for Speech Emotion Recognition [0.0]
  データを表現するコンパクトで効率的でスケーラブルな方法は、グラフの形式です。 グラフ畳み込みネットワーク(GCN)ベースのアーキテクチャを構築し,正確なグラフ畳み込みを実現する。 我々のモデルは、学習可能なパラメータが著しく少ない最先端のモデルに匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2020-08-05T12:09:09Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。