Fugu-MT 論文翻訳(概要): Graph Neural Networks for Predicting Solvability of Finite Groups

論文の概要: Graph Neural Networks for Predicting Solvability of Finite Groups

arxiv url: http://arxiv.org/abs/2606.07619v1
Date: Sat, 30 May 2026 08:34:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-09 18:11:02.408888
Title: Graph Neural Networks for Predicting Solvability of Finite Groups
Title（参考訳）: 有限群の可解性予測のためのグラフニューラルネットワーク
Abstract要約: 有限群を可解性に応じて分類するためのグラフニューラルネットワーク(GNN)フレームワークを提案する。ケイリーグラフ (CG) を含む有限群のグラフ表現を用いて, 構造グラフ情報のみを用いて, 可解群と非可解群を識別する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a Graph Neural Network (GNN) framework for the classification of finite groups according to their solvability. Using graph representations associated with finite groups, including Cayley graphs (CG), the proposed model is trained to distinguish solvable and non-solvable groups using structural graph information alone. The framework is evaluated on groups outside the training dataset in order to investigate the extent to which GNNs can learn algebraic properties arising in group theory. More broadly, the present work explores the relationship between algebraic structure and graph-based geometric representations of finite groups. The present study is intended as a proof-of-concept investigation of whether GNNs can learn algebraic properties of finite groups from graph-based representations
Abstract（参考訳）: 有限群を可解性に応じて分類するためのグラフニューラルネットワーク(GNN)フレームワークを提案する。ケイリーグラフ (CG) を含む有限群のグラフ表現を用いて, 構造グラフ情報のみを用いて, 可解群と非可解群を識別する。このフレームワークは、GNNが群論で生じる代数的性質を学べる程度を調査するために、トレーニングデータセット外のグループで評価される。より広範に、この研究は代数構造と有限群のグラフベースの幾何学的表現との関係を探求する。本研究は,GNNがグラフベース表現から有限群の代数的性質を学習できるかどうかを,概念実証として検討することを目的とする。

関連論文リスト

Learning the Graphical Nature of Symmetries [0.06841536467264132]
ケイリーグラフは、グループ理論の構造を測り、比較し、学習することのできる、豊富なネットワーク幾何学を露呈する。この国勢調査は、ケイリーグラフ観測可能な有限群の性質がどのように反映されるかを研究するための新しいベンチマークを提供することを目的としている。
論文参考訳（メタデータ） (2026-07-13T18:00:02Z)
Learning Subgroup Relations Using Siamese Graph Neural Networks [0.0]
有限群のケイリーグラフ表現を用いたサブグループ予測のためのシームズグラフニューラルネットワーク(シームズGNN)を提案する。提案フレームワークは有限群から部分群関係を学習するための統一的なアプローチを提供する。
論文参考訳（メタデータ） (2026-07-13T06:20:25Z)
A General Framework for Learning Algebraic Properties from Cayley Graphs using Graph Neural Networks [0.0]
ケイリーグラフから直接有限群の代数的性質を学習する性質に依存しないフレームワークを開発する。我々は,可換性,虚偽性,可解性について,代表的な事例研究として考察する。
論文参考訳（メタデータ） (2026-06-24T17:37:16Z)
The Geometry of Polynomial Group Convolutional Neural Networks [0.805635934199494]
任意の有限群$G$に対する群畳み込みニューラルネットワーク(PGCNN)について検討する。次数付き群代数の言語を用いた PGCNN のための新しい数学的フレームワークを提案する。
論文参考訳（メタデータ） (2026-03-31T10:49:12Z)
On the Computational Capability of Graph Neural Networks: A Circuit Complexity Bound Perspective [28.497567290882355]
グラフニューラルネットワーク(GNN)は、リレーショナルデータに対する学習と推論の標準的なアプローチとなっている。本稿では,回路複雑性のレンズによるGNNの計算限界について検討する。具体的には、共通GNNアーキテクチャの回路複雑性を分析し、定数層、線形またはサブ線形埋め込みサイズ、精度の制約の下で、GNNはグラフ接続やグラフ同型といった重要な問題を解くことができないことを証明している。
論文参考訳（メタデータ） (2025-01-11T05:54:10Z)
LSEnet: Lorentz Structural Entropy Neural Network for Deep Graph Clustering [59.89626219328127]
グラフクラスタリングは機械学習の基本的な問題である。近年、ディープラーニング手法は最先端の成果を達成しているが、事前に定義されたクラスタ番号なしでは動作できない。本稿では,グラフ情報理論の新たな視点からこの問題に対処することを提案する。
論文参考訳（メタデータ） (2024-05-20T05:46:41Z)
Homomorphism Counts for Graph Neural Networks: All About That Basis [8.25219440625445]
我々は、よりきめ細かいアプローチを論じ、対象パターンの基底''にすべての構造の準同型数を含む。これにより計算複雑性の面で追加のオーバーヘッドを発生させずに、より表現力のあるアーキテクチャが得られる。
論文参考訳（メタデータ） (2024-02-13T16:57:06Z)
Structural Explanations for Graph Neural Networks using HSIC [21.929646888419914]
グラフニューラルネットワーク(GNN)は、グラフィカルなタスクをエンドツーエンドで処理するニューラルネットワークの一種である。 GNNの複雑なダイナミクスは、グラフの特徴のどの部分が予測に強く寄与しているかを理解するのを困難にしている。本研究では,グラフ内の重要な構造を検出するために,フレキシブルモデルに依存しない説明法を提案する。
論文参考訳（メタデータ） (2023-02-04T09:46:47Z)
Bispectral Neural Networks [1.0323063834827415]
ニューラルネットワークアーキテクチャBNN(Bispectral Neural Networks)を提案する。 BNNは、群、その既約表現、および対応する同変写像と完全不変写像を同時に学習することができる。
論文参考訳（メタデータ） (2022-09-07T18:34:48Z)
GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文参考訳（メタデータ） (2021-04-18T10:40:37Z)
CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning [74.90535111881358]
新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。 CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
論文参考訳（メタデータ） (2020-12-10T21:14:18Z)
Counting Substructures with Higher-Order Graph Neural Networks: Possibility and Impossibility Results [58.277290855841976]
グラフニューラルネットワーク(GNN)の計算コストと表現力のトレードオフについて検討する。新しいモデルでは、$k$のサブグラフをカウントでき、低次GNNの既知の制限を克服できることを示す。いくつかの場合において、提案アルゴリズムは既存の高階$k$-GNNに比べて計算量を大幅に削減することができる。
論文参考訳（メタデータ） (2020-12-06T03:42:54Z)
Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
論文参考訳（メタデータ） (2020-10-29T16:18:48Z)
Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文参考訳（メタデータ） (2020-06-29T01:01:42Z)
Can Graph Neural Networks Count Substructures? [53.256112515435355]
グラフニューラルネットワーク(GNN)の能力について,属性付きグラフサブ構造をカウントする能力を用いて検討する。我々は2種類のサブストラクチャカウントを区別する: インダクションサブグラフカウントとサブグラフカウント、および人気のあるGNNアーキテクチャに対する肯定的および否定的な回答である。
論文参考訳（メタデータ） (2020-02-10T18:53:30Z)

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。