論文の概要: Complex-Valued GNNs for Distributed Basis-Invariant Control of Planar Systems

• arxiv url: http://arxiv.org/abs/2604.02615v1
• Date: Fri, 03 Apr 2026 01:08:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.263168
• Title: Complex-Valued GNNs for Distributed Basis-Invariant Control of Planar Systems
• Title（参考訳）: 平面系の分散基底不変制御のための複素値GNN
• Authors: Samuel Honor, Mohamed Abdelnaby, Kevin Leahy,
• Abstract要約: グラフニューラルネットワーク(GNN)は、ネットワーク化された動的システムの学習制御のための、よく認識されたツールである。 現在の分散GNNアーキテクチャは、ネットワーク内の全てのノードが互換性のあるベースで幾何学的な観測を収集していると仮定している。 本稿では,局所基底の選択に対してグローバルに不変なGNNパラメトリゼーションを提案する。
• 参考スコア（独自算出の注目度）: 2.3559161556025887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) are a well-regarded tool for learned control of networked dynamical systems due to their ability to be deployed in a distributed manner. However, current distributed GNN architectures assume that all nodes in the network collect geometric observations in compatible bases, which limits the usefulness of such controllers in GPS-denied and compass-denied environments. This paper presents a GNN parametrization that is globally invariant to choice of local basis. 2D geometric features and transformations between bases are expressed in the complex domain. Inside each GNN layer, complex-valued linear layers with phase-equivariant activation functions are used. When viewed from a fixed global frame, all policies learned by this architecture are strictly invariant to choice of local frames. This architecture is shown to increase the data efficiency, tracking performance, and generalization of learned control when compared to a real-valued baseline on an imitation learning flocking task.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、分散的にデプロイする能力のため、ネットワーク化された動的システムの学習的制御を十分に考慮したツールである。 しかし、現在の分散GNNアーキテクチャでは、ネットワーク内の全てのノードが互換性のあるベースで幾何学的な観測を収集し、GPSとコンパスを識別した環境におけるそのようなコントローラの有用性を制限していると仮定している。 本稿では,局所基底の選択に対してグローバルに不変なGNNパラメトリゼーションを提案する。 2次元幾何学的特徴と基底間の変換は複素領域で表現される。 各GNN層の内部では、位相同変活性化関数を持つ複素値線形層が使用される。 固定されたグローバルフレームから見ると、このアーキテクチャによって学習されたすべてのポリシーは、ローカルフレームの選択に厳密に不変である。 このアーキテクチャは、模擬学習群における実数値ベースラインと比較して、データ効率の向上、性能の追跡、学習制御の一般化を図っている。

関連論文リスト

• On the Geometric Coherence of Global Aggregation in Federated GNN [0.0]
  フェデレートラーニング(FL)は、集中的なデータ共有なしに、複数のクライアント間で分散トレーニングを可能にする。 グラフニューラルネットワーク(GNN)は、メッセージパッシングを通じて関係データをモデル化する。 フェデレートされたGNN設定では、クライアントグラフは不均一な構造と伝搬特性を示すことが多い。 本研究は,クロスドメインフェデレーションGNNにおけるグローバルアグリゲーションの幾何学的障害モードを特定する。 本稿では,サーバサイドのフレームワークであるGGRSを提案する。
  論文  参考訳（メタデータ） (2026-02-17T11:34:04Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• Diss-l-ECT: Dissecting Graph Data with Local Euler Characteristic Transforms [13.608942872770855]
  グラフ表現学習における表現性と解釈性を高めるために,局所オイラー特性変換(ell$-ECT)を導入する。 本手法は,ノード分類タスクにおける標準グラフニューラルネットワーク(GNN)と比較して,優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-03T16:02:02Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Deep Learning as Ricci Flow [38.27936710747996]
  ディープニューラルネットワーク(DNN)は、複雑なデータの分布を近似する強力なツールである。 分類タスク中のDNNによる変換は、ハミルトンのリッチ流下で期待されるものと類似していることを示す。 本研究の成果は, 微分幾何学や離散幾何学から, 深層学習における説明可能性の問題まで, ツールの利用を動機づけるものである。
  論文  参考訳（メタデータ） (2024-04-22T15:12:47Z)
• ASGNN: Graph Neural Networks with Adaptive Structure [41.83813812538167]
  本稿では,アダプティブ構造(ASMP)を用いた新しい解釈可能なメッセージパッシング方式を提案する。 ASMPは、異なるレイヤにおけるメッセージパッシングプロセスが動的に調整されたグラフ上で実行可能であるという意味で適応的である。
  論文  参考訳（メタデータ） (2022-10-03T15:10:40Z)
• Graph-adaptive Rectified Linear Unit for Graph Neural Networks [64.92221119723048]
  グラフニューラルネットワーク(GNN)は、従来の畳み込みを非ユークリッドデータでの学習に拡張することで、目覚ましい成功を収めた。 本稿では,周辺情報を利用した新しいパラメトリックアクティベーション機能であるグラフ適応整流線形ユニット(GRELU)を提案する。 我々は,GNNのバックボーンと様々な下流タスクによって,プラグアンドプレイGRELU法が効率的かつ効果的であることを示す包括的実験を行った。
  論文  参考訳（メタデータ） (2022-02-13T10:54:59Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Fast Power Control Adaptation via Meta-Learning for Random Edge Graph Neural Networks [39.59987601426039]
  本稿では,時間変動トポロジに対する電力制御政策の迅速な適応を可能にする高レベル問題について検討する。 我々は,新しいネットワーク構成への数ショット適応を最適化するために,複数のトポロジのデータに一階のメタラーニングを適用した。
  論文  参考訳（メタデータ） (2021-05-02T12:43:10Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。