論文の概要: Distance-based Learning of Hypertrees

• arxiv url: http://arxiv.org/abs/2511.22014v1
• Date: Thu, 27 Nov 2025 01:34:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.347592
• Title: Distance-based Learning of Hypertrees
• Title（参考訳）: ハイパーツリーの遠隔学習
• Authors: Shaun Fallat, Kamyar Khodamoradi, David Kirkpatrick, Valerii Maliuk, S. Ahmad Mojallal, Sandra Zilles,
• Abstract要約: 最短パスクエリ(SPクエリ)を用いたハイパーグラフ学習の問題点について検討する。 我々は、順応的ハイパーツリーと呼ばれる、広範かつ自然なハイパーツリーのクラスに対して、証明可能な最初のオンラインアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.7951655055984126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of learning hypergraphs with shortest-path queries (SP-queries), and present the first provably optimal online algorithm for a broad and natural class of hypertrees that we call orderly hypertrees. Our online algorithm can be transformed into a provably optimal offline algorithm. Orderly hypertrees can be positioned within the Fagin hierarchy of acyclic hypergraph (well-studied in database theory), and strictly encompass the broadest class in this hierarchy that is learnable with subquadratic SP-query complexity. Recognizing that in some contexts, such as evolutionary tree reconstruction, distance measurements can degrade with increased distance, we also consider a learning model that uses bounded distance queries. In this model, we demonstrate asymptotically tight complexity bounds for learning general hypertrees.
• Abstract（参考訳）: 最短パスクエリ(SPクエリ)を用いたハイパーグラフ学習の問題について検討し、秩序あるハイパーツリーと呼ばれる、広範かつ自然なハイパーツリーのクラスに対して、証明可能なオンラインアルゴリズムを初めて提示する。 私たちのオンラインアルゴリズムは、証明可能な最適なオフラインアルゴリズムに変換できます。 順序付きハイパーツリーは、非巡回ハイパーグラフのファジン階層(データベース理論でよく研究されている)内に配置することができ、この階層の中で、サブクワッドラティックSPクエリの複雑さで学習可能な最も広いクラスを厳密に包含する。 進化樹の復元などいくつかの文脈において,距離測定は距離の増大とともに劣化しうることを認識し,有界距離クエリを用いた学習モデルも検討する。 このモデルでは、一般的なハイパーツリーを学習するための漸近的に厳密な複雑性境界を示す。

関連論文リスト

• Tuning Algorithmic and Architectural Hyperparameters in Graph-Based Semi-Supervised Learning with Provable Guarantees [9.141919626212903]
  グラフベースの半教師付き学習は、基礎となるグラフ構造をモデリングし活用するための機械学習の強力なパラダイムである。 グラフ畳み込みニューラルネットワーク(GCN)とグラフアテンションネットワーク(GAT)を各層に補間する可変アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-18T15:16:23Z)
• Fast unsupervised ground metric learning with tree-Wasserstein distance [14.235762519615175]
  教師なしの地上距離学習アプローチが導入されました 一つの有望な選択肢はワッサーシュタイン特異ベクトル(WSV)であり、特徴量とサンプルの間の最適な輸送距離を同時に計算する際に現れる。 木にサンプルや特徴を埋め込むことでWSV法を強化し,木-ワッサーシュタイン距離(TWD)を計算することを提案する。
  論文  参考訳（メタデータ） (2024-11-11T23:21:01Z)
• GrootVL: Tree Topology is All You Need in State Space Model [66.36757400689281]
  GrootVLは、視覚的タスクとテキストタスクの両方に適用できる多目的マルチモーダルフレームワークである。 本手法は, 画像分類, オブジェクト検出, セグメンテーションにおいて, 既存の構造化状態空間モデルよりも大幅に優れる。 大規模言語モデルの微調整により,本手法は訓練コストの少ない複数のテキストタスクにおいて一貫した改善を実現する。
  論文  参考訳（メタデータ） (2024-06-04T15:09:29Z)
• Learning bounded-degree polytrees with known skeleton [15.137372516678143]
  有界次数ポリツリーの効率的な適切な学習のための有限サンプル保証を確立する。 基礎となる無向グラフが知られているとき、d$-polytreesを時間で学習し、任意の有界$d$のサンプル複雑性を学習する効率的なアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-10-10T06:03:51Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)

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。

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。