論文の概要: Graph-Structured Hyperdimensional Computing for Data-Efficient and Explainable Process-Structure-Property Prediction

• arxiv url: http://arxiv.org/abs/2605.07999v1
• Date: Fri, 08 May 2026 16:55:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.217002
• Title: Graph-Structured Hyperdimensional Computing for Data-Efficient and Explainable Process-Structure-Property Prediction
• Title（参考訳）: データ効率・説明可能なプロセス構造・品質予測のためのグラフ構造化超次元計算
• Authors: Jingzhan Ge, Ajeeth Vellore, Ajinkya Palwe, Ahsan Khan, David Gorsich, Matthew P. Castanier, SeungYeon Kang, Farhad Imani,
• Abstract要約: 本稿では,有向PSPグラフを表現,推論,説明の前提として符号化したグラフ構造化超次元計算フレームワークであるPSP-HDCを提案する。 PSP-HDCは1000個のランダムスプリットに対して0.910 +/- 0.077の精度を達成し、プロセスフォールドの一般化の下で0.896は強いベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 1.3903229723699697
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiphoton photoreduction enables high-fidelity fabrication of complex 3D microstructures, yet reliable process-structure-property (PSP) prediction remains difficult because the available data are sparse, heterogeneous, and interaction-dominated. In this regime, conventional feature-vector models are statistically underdetermined, making them prone to spurious correlations, poor regime transfer, and unstable post hoc explanations, whereas mechanistic pipelines depend on calibrated submodels that are rarely available during early process development. We present PSP-HDC, a graph-structured hyperdimensional computing framework that encodes a directed PSP graph as an internal prior for representation, inference, and explanation. A trainable scalar-to-hypervector encoder learns parameter-specific embeddings on a fixed hyperdimensional basis to accommodate heterogeneous scales and noise. Sample representations are then composed through graph-aligned binding and bundling along directed PSP dependencies, and prediction is performed by associative-memory retrieval against class prototypes. Because the same prototype memories support both decision making and attribution, PSP-HDC provides intrinsic explanations at the parameter, group, and within-group levels, while memory alignment and separation quantify prototype formation during training. On sheet-resistance regime prediction for the 3D platform, PSP-HDC achieves an accuracy of 0.910 +/- 0.077 over 1000 random splits and 0.896 under process-fold generalization, outperforming strong baselines.
• Abstract（参考訳）: 多光子光還元により、複雑な3次元微細構造の高忠実化が可能となるが、利用可能なデータは疎く、不均一で、相互作用が支配されるため、信頼性の高いプロセス構造優位性(PSP)予測は難しいままである。 この体制では、従来の特徴ベクトルモデルは統計的に過小評価されているため、相関関係、劣悪な状態遷移、不安定なポストホック説明の傾向があり、一方、機械的パイプラインは初期プロセス開発でほとんど利用できない調整されたサブモデルに依存している。 本稿では,有向PSPグラフを表現,推論,説明の前提として符号化したグラフ構造化超次元計算フレームワークであるPSP-HDCを提案する。 トレーニング可能なスカラー-ハイパーベクトルエンコーダは、パラメータ固有の埋め込みを固定された超次元ベースで学習し、不均一なスケールとノイズに対応する。 サンプル表現はグラフ整列結合と有向PSP依存性のバンドルによって構成され、クラスプロトタイプに対する連想メモリ検索によって予測される。 同じプロトタイプメモリは意思決定と帰属の両方をサポートするため、PSP-HDCはパラメータ、グループ、グループ内レベルで固有の説明を提供し、メモリアライメントと分離はトレーニング中のプロトタイプ生成を定量化する。 PSP-HDCは3Dプラットフォームのシート抵抗状態予測において、1000個のランダムスプリットに対して0.910 +/- 0.077の精度を達成し、プロセスフォールドの一般化の下で0.896の精度を達成し、強いベースラインを上回った。

関連論文リスト

• FlatFormer: A Flat Transformer Knowledge Tracing Model Based on Cognitive Bias Injection [0.5729426778193398]
  知識追跡モデルは重要なパフォーマンス-複雑トラップ」に直面している 構造的積み重ねによる情報注入の新たな設計パラダイムに基づく合理化アーキテクチャであるFlatFormerを提案する。 4つの大規模なデータセットに対する実験は、FlatFormerが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2025-12-07T02:32:10Z)
• Triangle Multiplication Is All You Need For Biomolecular Structure Representations [56.26342479807906]
  Pairmixerは三角形の注意をなくし、高階の幾何学的推論能力を保っている。 Pairmixerは計算効率を大幅に改善し、折りたたみおよびドッキングベンチマーク間の最先端構造予測器をマッチングする。 例えば、BoltzDesign内では、Pairmixerは2倍以上高速なサンプリングと、Pairformerのメモリ限界よりも30%長いシーケンスへのスケールを提供する。
  論文  参考訳（メタデータ） (2025-10-21T17:59:02Z)
• Causally-Guided Pairwise Transformer -- Towards Foundational Digital Twins in Process Industry [0.0]
  Causally-Guided Pairwise Transformer (CGPT)は、既知の因果グラフを帰納バイアスとして統合した新しいアーキテクチャである。 CGPTはチャネル依存型(CD)モデルとチャネル依存型(CI)モデルの両方で予測精度において有意に優れていた。
  論文  参考訳（メタデータ） (2025-08-18T17:18:38Z)
• Unified Scaling Laws for Compressed Representations [69.72517034565467]
  各種圧縮表現上でのトレーニングにおいて,統合スケーリングフレームワークがモデル性能を正確に予測できるかどうかを検討する。 我々の主な発見は、単純な「容量」計量が存在するという理論と経験の両方を実証することである。 我々は、圧縮されたフォーマットの精度を直接比較し、スパース量子化されたフォーマットのトレーニングのためのより良いアルゴリズムを導出するために、定式化を拡張した。
  論文  参考訳（メタデータ） (2025-06-02T16:52:51Z)
• Bottlenecked Transformers: Periodic KV Cache Consolidation for Generalised Reasoning [16.35681450323654]
  トランスフォーマーLSMは推論時間計算でスケールする強力な推論能力を示すことが示されている。 KVキャッシュの書き直しによるメモリ(re)統合が、推論の改善に有効である理由を理論的に正当化する。 我々のモデルでは、バニラトランスフォーマーと停止する拡張ベースラインに対して一貫したパフォーマンス向上が見られ、選択されたタスク/バックボーンに対して最大6.6ppのゲインが得られる。
  論文  参考訳（メタデータ） (2025-05-22T17:33:49Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Low-Rank Constraints for Fast Inference in Structured Models [110.38427965904266]
  この研究は、大規模構造化モデルの計算とメモリの複雑さを低減するための単純なアプローチを示す。 言語モデリング,ポリフォニック・ミュージック・モデリング,教師なし文法帰納法,ビデオ・モデリングのためのニューラルパラメータ構造モデルを用いた実験により,我々の手法は大規模状態空間における標準モデルの精度と一致することを示した。
  論文  参考訳（メタデータ） (2022-01-08T00:47:50Z)
• Controlling for sparsity in sparse factor analysis models: adaptive latent feature sharing for piecewise linear dimensionality reduction [2.896192909215469]
  本稿では,現在潜伏している特徴分解技術の鍵となる限界に対処できる,シンプルでトラクタブルな特徴割り当てモデルを提案する。 適応型因子分析(aFA)と適応型確率的原理成分分析(aPPCA)を応用し,柔軟な構造発見と次元減少を実現する。 APPCAとaFAは、生のMNISTに適用した場合と、オートエンコーダの特徴を解釈する場合の両方において、高いレベルの特徴を推測できることを示す。
  論文  参考訳（メタデータ） (2020-06-22T16:09:11Z)

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。