論文の概要: On the construction of graph models realizing given entropy vectors

• arxiv url: http://arxiv.org/abs/2512.18702v1
• Date: Sun, 21 Dec 2025 11:38:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.464629
• Title: On the construction of graph models realizing given entropy vectors
• Title（参考訳）: 与えられたエントロピーベクトルを実現するグラフモデルの構成について
• Authors: Veronika E. Hubeny, Massimiliano Rota,
• Abstract要約: 本稿では,与えられたエントロピーベクトルを実現するホログラフィック単純木グラフモデルを構築するための効率的なアルゴリズムを提案する。 我々は相関ハイパーグラフのツールキットを開発し、特に粗粒化とサブシステムの微細粒化に関連している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an efficient algorithm for the construction of a holographic simple tree graph model that realizes a given entropy vector, subject to a specific ``chordality'' condition first introduced in arXiv:2412.18018. We further develop the toolkit of the correlation hypergraph, particularly in relation to coarse-graining and fine-graining of subsystems. We then use these techniques to take the first steps towards the generalization of this new algorithm to arbitrary (not necessarily simple) holographic tree graph models, and the ``detection'' of unrealizability of an entropy vector independently from the knowledge of holographic entropy inequalities.
• Abstract（参考訳）: 本稿では,与えられたエントロピーベクトルを,arXiv:2412.18018 で最初に導入された特定の `chordality'' 条件下で実現したホログラフィック単純木グラフモデルを構築するための効率的なアルゴリズムを提案する。 我々はさらに相関ハイパーグラフのツールキットを開発し、特に粗粒化とサブシステムの微細粒化に関連している。 次に、これらの手法を用いて、この新しいアルゴリズムを任意の(必ずしも単純ではない)ホログラフグラフモデルに一般化する第一歩と、ホログラフィックエントロピーの不等式に関する知識から独立にエントロピーベクトルの非実現可能性の ``detection'' を導出する。

関連論文リスト

• Beyond the Holographic Entropy Cone via Cycle Flows [0.0]
  ホログラフィックエントロピー円錐の外側のエントロピーベクトルを計算するための新しい処方則を導入する。 最大サイクルフローは、部分加法と強い部分加法の両方に従うことを証明している。 このモデルも同様にハイパーグラフから生じるエントロピーベクトルを一般化する。
  論文  参考訳（メタデータ） (2023-12-15T19:00:00Z)
• Sparse Training of Discrete Diffusion Models for Graph Generation [45.103518022696996]
  SparseDiffは、ほとんど全ての大きなグラフがスパースであるという観察に基づく、新しい拡散モデルである。 エッジのサブセットを選択することで、SparseDiffは、ノイズ発生過程とノイズ発生ネットワーク内のスパースグラフ表現を効果的に活用する。 本モデルでは,小規模・大規模両方のデータセットにおいて,複数のメトリクスにわたる最先端性能を示す。
  論文  参考訳（メタデータ） (2023-11-03T16:50:26Z)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• Scalable Bayesian Structure Learning for Gaussian Graphical Models Using Marginal Pseudo-likelihood [2.312692134587988]
  連続時間(生死)および離散時間(可逆ジャンプ)マルコフ連鎖モンテカルロ(MCMC)アルゴリズムを開発し、グラフ空間の後方を効率的に探索する。 アルゴリズムは巨大なグラフ空間にスケールし、1000以上のノードを持つグラフの並列探索を可能にする。
  論文  参考訳（メタデータ） (2023-06-30T20:37:40Z)
• Discrete Graph Auto-Encoder [52.50288418639075]
  離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。 まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
  論文  参考訳（メタデータ） (2023-06-13T12:40:39Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Regularization of Mixture Models for Robust Principal Graph Learning [0.0]
  D$次元データポイントの分布から主グラフを学習するために,Mixture Modelsの正規化バージョンを提案する。 モデルのパラメータは期待最大化手順によって反復的に推定される。
  論文  参考訳（メタデータ） (2021-06-16T18:00:02Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)

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。