論文の概要: Fuzzy, Neutrosophic, and Uncertain Graph Theory: Properties and Applications
- arxiv url: http://arxiv.org/abs/2605.23936v1
- Date: Sat, 25 Apr 2026 07:35:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 02:55:42.950448
- Title: Fuzzy, Neutrosophic, and Uncertain Graph Theory: Properties and Applications
- Title（参考訳）: ファジィ・ニュートロソフィック・不確実グラフ理論:性質と応用
- Authors: Takaaki Fujita, Florentin Smarandache,
- Abstract要約: ファジィ、ニュートロソフィックおよび関連するモデルにおける基本的な概念、構造特性、グラフクラス、グラフパラメータをレビューする。
不確実なグラフ、ハイパーグラフ、スーパーハイパーグラフ、動的グラフなど、幅広い拡張を導入している。
理論的な発展に加えて、不確実な分子グラフ、意思決定システム、グラフニューラルネットワーク、知識グラフ、認知地図など、実用的な応用を探求している。
- 参考スコア（独自算出の注目度）: 2.2667044928324747
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This book presents a comprehensive and systematic survey of graph theory under uncertainty, with particular emphasis on the unifying role of the uncertain graph framework. It reviews fundamental concepts, structural properties, graph classes, and graph parameters within fuzzy, neutrosophic, and related models, while also introducing a wide range of extensions such as uncertain digraphs, hypergraphs, superhypergraphs, and dynamic graphs. In addition to theoretical developments, the book explores practical applications, including uncertain molecular graphs, decision-making systems, graph neural networks, knowledge graphs, and cognitive maps. By organizing diverse uncertainty-aware graph models within a common perspective, this work provides a coherent framework for understanding their relationships, capabilities, and applications in complex systems.
- Abstract（参考訳）: 本書は不確実性下のグラフ理論を包括的かつ体系的に調査し、不確実性のあるグラフフレームワークの統一的役割を特に強調する。
ファジィ、ニューロソフィ、関連するモデルにおける基本的な概念、構造特性、グラフクラス、グラフパラメータをレビューし、不確実なグラフ、ハイパーグラフ、超ハイパーグラフ、動的グラフなどの幅広い拡張も導入した。
理論的な発展に加えて、不確実な分子グラフ、意思決定システム、グラフニューラルネットワーク、知識グラフ、認知地図など、実用的な応用を探求している。
様々な不確実性を考慮したグラフモデルを共通の視点でまとめることで、複雑なシステムにおけるそれらの関係、能力、アプリケーションを理解するための一貫性のあるフレームワークを提供する。
関連論文リスト
- Superhypergraph Neural Networks and Plithogenic Graph Neural Networks: Theoretical Foundations [0.0]
ハイパーグラフは、エッジが複数のノードを接続できるようにすることによって伝統的なグラフを拡張し、一方スーパーハイパーグラフは、この概念をさらに複雑な関係を表すように一般化する。
確立されたフレームワークであるグラフニューラルネットワーク(GNN)が先日,ハイパーグラフニューラルネットワーク(HGNN)に拡張された。
本稿では,超HyperGraph Neural Networks(SHGNNs)とPlithogenic Graph Neural Networks(Plithogenic Graph Neural Networks)の理論的基盤を確立する。
論文 参考訳（メタデータ） (2024-12-02T06:33:02Z) - Foundations and Frontiers of Graph Learning Theory [81.39078977407719]
グラフ学習の最近の進歩は、複雑な構造を持つデータを理解し分析する方法に革命をもたらした。
グラフニューラルネットワーク(GNN)、すなわちグラフ表現を学習するために設計されたニューラルネットワークアーキテクチャは、一般的なパラダイムとなっている。
本稿では,グラフ学習モデルに固有の近似と学習行動に関する理論的基礎とブレークスルーについて概説する。
論文 参考訳（メタデータ） (2024-07-03T14:07:41Z) - A Theory of Link Prediction via Relational Weisfeiler-Leman on Knowledge
Graphs [6.379544211152605]
グラフニューラルネットワークは、グラフ構造化データ上での表現学習のための顕著なモデルである。
私たちの目標は、知識グラフのためのグラフニューラルネットワークのランドスケープを体系的に理解することです。
論文 参考訳（メタデータ） (2023-02-04T17:40:03Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。
学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。
GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文 参考訳（メタデータ） (2020-07-07T16:51:39Z)
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。