論文の概要: SILVA Networks as Structured Implicit Layers and Vector Attractors via Dynamic Interaction Fields

• arxiv url: http://arxiv.org/abs/2607.28989v1
• Date: Fri, 31 Jul 2026 03:33:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.581733
• Title: SILVA Networks as Structured Implicit Layers and Vector Attractors via Dynamic Interaction Fields
• Title（参考訳）: 動的相互作用場による構造的命令層とベクトルアクチュエータとしてのSILVAネットワーク
• Abstract要約: 動的相互作用場を介して,SILVAネットワーク,構造化インプリシット層,ベクトルアトラクターを紹介する。 SILVAは、刺激、局所的相互作用、大域的相互作用、減衰、および1つの固定点アーキテクチャ内での読み出しを分離する。 局所的な相互作用はグラフタスクで負荷を伴い、MNISTはテストされたキャパシティの繰り返しからほとんど得られず、より明確なグローバルなメリットは、長距離ノード分類ベンチマークに現れる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many learning problems require representations that reconcile direct input, nearby structure, and broader context. In implicit neural layers, these influences are usually absorbed into a single fixed-point update, making it hard to identify what enters from the stimulus, what propagates locally, what comes from global context, and what is produced by solver dynamics. Here we introduce SILVA Networks, Structured Implicit Layers and Vector Attractors via Dynamic Interaction Fields. SILVA separates stimulus, local interaction, global interaction, damping, and readout inside one fixed-point architecture. The same template is instantiated for images, molecules, citation networks, and long-range graph benchmarks through domain-specific definitions of nodes, neighborhoods, and global summaries. Experiments and ablations show task-dependent roles for these terms: local interactions are load-bearing in the graph tasks, MNIST gains little from recurrence at the tested capacity, and the clearest global benefit appears in a long-range node-classification benchmark. SILVA therefore provides an implicit representation whose internal interaction dynamics can be trained, ablated, visualized, and diagnosed.
• Abstract（参考訳）: 多くの学習問題は直接入力、近くの構造、より広い文脈を解釈する表現を必要とする。 暗黙の神経層では、これらの影響は通常、単一の固定点更新に吸収され、刺激から入力されるもの、局所的に伝播するもの、グローバルな文脈から来るもの、ソルバダイナミクスによって生成されるものを特定するのが困難になる。 本稿では、動的相互作用場を介して、SILVAネットワーク、構造化インシシット層、ベクトルアトラクターを紹介する。 SILVAは、刺激、局所的相互作用、大域的相互作用、減衰、および1つの固定点アーキテクチャ内での読み出しを分離する。 同じテンプレートは、画像、分子、引用ネットワーク、および長距離グラフベンチマークに対して、ノード、近傍、グローバルサマリーのドメイン固有の定義を通じてインスタンス化される。 局所的な相互作用はグラフタスクで負荷を伴い、MNISTはテストされたキャパシティの繰り返しからほとんど得られず、より明確なグローバルなメリットは、長距離ノード分類ベンチマークに現れる。 したがって、SILVAは内部相互作用のダイナミクスを訓練、改善、可視化、診断できる暗黙の表現を提供する。

関連論文リスト

• Unifying Graph Neural Networks Through a Common Layer Equation [75.88127999406392]
  7つのコンポーネントを通して被覆されたアーキテクチャを表現する共通層方程式を導入する。 中央の因子化は、伝達銀行によってエンコードされた情報と、メッセージマップによってエンコードされた動きとを分離する。 この統合を明確化し、標準層とコンポーネント割り当ての作業的削減を通じて、チェック可能にする。
  論文  参考訳（メタデータ） (2026-08-17T04:37:59Z)
• Multimodal Graph Representation Learning with Dynamic Information Pathways [12.019248723233673]
  動的情報経路(DiP)を用いた新しいマルチモーダルグラフ表現学習フレームワークを提案する。 DiPは近接誘導擬似ノード相互作用による各モード内の動的メッセージルーティングを可能にする。 複数のベンチマークの実験では、DiPがベースラインを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-03-10T06:45:59Z)
• Explainable AI: Context-Aware Layer-Wise Integrated Gradients for Explaining Transformer Models [13.707653566827704]
  トランスフォーマーモデルは、ドメインやタスク間で最先端のパフォーマンスを達成するが、その深い階層化表現により、予測の解釈が困難になる。 既存の説明可能性法は最終層属性に依存し、局所的なトークンレベルの属性か、統一せずにグローバルな注意パターンをキャプチャする。 本稿では,各トランスフォーマーブロック内の階層的に統合されたグラディエントを計算し,これらのトークンレベルの属性をクラス固有の注意勾配と融合する階層型属性フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-18T17:03:10Z)
• Interpreting Manifolds and Graph Neural Embeddings from Internet of Things Traffic Flows [1.8510825807956957]
  この研究は、高次元埋め込みを潜在多様体にマッピングすることで、直接視覚化可能な低次元表現を生成する解釈可能なパイプラインを導入する。 このフレームワークは、侵入検知のための0.830の分類F1スコアを達成し、概念ドリフトのような現象も強調する。
  論文  参考訳（メタデータ） (2026-02-05T16:08:24Z)
• Hierarchical Graph Interaction Transformer with Dynamic Token Clustering for Camouflaged Object Detection [57.883265488038134]
  本稿では,HGINetと呼ばれる階層的なグラフ相互作用ネットワークを提案する。 このネットワークは、階層的トークン化機能間の効果的なグラフ相互作用を通じて、知覚不能なオブジェクトを発見することができる。 本実験は,既存の最先端手法と比較して,HGINetの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2024-08-27T12:53:25Z)
• A Two-stream Hybrid CNN-Transformer Network for Skeleton-based Human Interaction Recognition [6.490564374810672]
  2ストリームハイブリッドCNN-Transformer Network(THCT-Net)を提案する。 CNNの局所的な特異性を活用し、Transformerを通じてグローバルな依存関係をモデル化する。 提案手法は, 様々な行動の意味と文脈をよりよく理解し, 推測し, 最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-31T06:46:46Z)
• Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
  汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。 ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-04T16:04:41Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Multi-Object Navigation with dynamically learned neural implicit representations [10.182418917501064]
  本稿では,各エピソードにおいて動的に学習される2つのニューラル暗示表現を用いてニューラルネットワークを構築することを提案する。 マルチオブジェクトナビゲーションにおけるエージェントの評価を行い、暗黙的表現をメモリソースとして使用する場合の影響を高く示す。
  論文  参考訳（メタデータ） (2022-10-11T04:06:34Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)
• Global Context-Aware Progressive Aggregation Network for Salient Object Detection [117.943116761278]
  我々は,低レベルな外観特徴,高レベルな意味特徴,グローバルな文脈特徴を統合化するための新しいネットワークGCPANetを提案する。 提案手法は, 定量的かつ定性的に, 最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-02T04:26:10Z)

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。