論文の概要: SSAKG 2.0: An Open-Source Package for Structural Associative Sequence Memory and Context-Based Retrieval
- arxiv url: http://arxiv.org/abs/2609.01849v1
- Date: Tue, 01 Sep 2026 20:31:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:17.983795
- Title: SSAKG 2.0: An Open-Source Package for Structural Associative Sequence Memory and Context-Based Retrieval
- Title（参考訳）: SSAKG 2.0: 構造化連想シーケンスメモリとコンテキストベースの検索のためのオープンソースパッケージ
- Authors: Przemysław Stokłosa, Janusz A. Starzyk, Paweł Raif,
- Abstract要約: SSAKG 2.0(SSAKG 2.0)は、構造系列連想知識グラフの構築と運用のためのオープンソースソフトウェアパッケージである。
バージョン2.0では、個々のコンピュータメモリのビットを利用してグラフ接続を効率的に検索するアルゴリズムが導入されている。
- 参考スコア（独自算出の注目度）: 0.5735035463793007
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This article presents SSAKG 2.0, an open-source software package for constructing and operating Structural Sequential Associative Knowledge Graphs (SSAKGs). An SSAKG represents objects as graph vertices and ordered sequences as structural patterns of graph connections. The resulting sparse graph is used as an associative memory in which complete sequences can be reconstructed from a partial, unordered context. Version 2.0 introduces new algorithms that exploit individual bits of computer memory to efficiently search graph connections. The package is implemented in Python, while performance-critical graph operations are implemented in C and exposed through a Python interface. This hybrid implementation provides a flexible high-level programming environment while reducing the memory and computational overhead associated with large sparse graphs. The algorithms were evaluated using randomly generated numerical sequences, sequences derived from sentences in the NLTK corpus, and mRNA sequences. The experiments demonstrate the ability of the package to store and reconstruct sequences from partial contexts and provide a basis for evaluating the effects of graph density, sequence length, and memory size on retrieval performance. SSAKG 2.0 is distributed under the Apache 2.0 open-source license. The package includes documentation and reproducible examples and is publicly available through GitHub and the Python Package Index (PyPI).
- Abstract（参考訳）: 本稿では,構造化シーケンス連想知識グラフ(SSAKG)の構築と運用を行うオープンソースソフトウェアパッケージであるSSAKG 2.0について述べる。
SSAKGは、オブジェクトをグラフ頂点として、順序列をグラフ接続の構造パターンとして表現する。
結果として得られるスパースグラフは、部分的、非順序付きコンテキストから完全なシーケンスを再構成できる連想記憶として使用される。
バージョン2.0では、個々のコンピュータメモリのビットを利用してグラフ接続を効率的に検索するアルゴリズムが導入されている。
パッケージはPythonで実装され、パフォーマンスクリティカルなグラフ操作はCで実装され、Pythonインターフェースで公開されている。
このハイブリッド実装は、大きなスパースグラフに関連するメモリと計算オーバーヘッドを低減しつつ、フレキシブルなハイレベルプログラミング環境を提供する。
その結果,NLTKコーパスの文から得られた列,mRNA配列をランダムに生成した数値シーケンスを用いて評価した。
実験では,パッケージが部分的コンテキストからシーケンスを格納・再構成する能力を示し,グラフ密度,シーケンス長,メモリサイズが検索性能に与える影響を評価する基盤を提供する。
SSAKG 2.0はApache 2.0オープンソースライセンスの下で配布されている。
パッケージにはドキュメントと再現可能な例が含まれており、GitHubとPython Package Index (PyPI)を通じて公開されている。
関連論文リスト
- SAGE: Structure Aware Graph Expansion for Retrieval of Heterogeneous Data [47.930782177987446]
不均一なコーパスに答える検索拡張された質問は、テキスト、テーブル、グラフノード間で接続されたエビデンスを必要とする。
標準レトリバーリーダーパイプラインは、独立にチャンクされたテキスト上の平坦な類似性検索を使用し、モダリティ間のマルチホップエビデンスチェーンを欠いている。
SAGE(Structure Aware Graph Expansion)フレームワークを提案する。これは、パーセンタイルベースのプルーニングとメタデータ駆動の類似性を利用して、チャンクレベルのグラフをオフラインで構築する。
暗黙的クロスモーダルコーパスと明示的スキーマグラフのエージェント検索であるSPARK(Structure Aware Planning Agent for Retrieval over Knowledge Graphs)のハイブリッド高密度スパース検索を用いて初期検索をインスタンス化する。
論文 参考訳（メタデータ） (2026-02-18T23:57:19Z) - SWING: Unlocking Implicit Graph Representations for Graph Random Features [57.956136773668476]
SWING: Space Walks for Implicit Network Graphsはグラフ上のグラフランダム特徴を含む計算アルゴリズムの新しいクラスである。
SWINGの詳細な解析を行い、様々なiグラフのクラスで徹底的な実験を行い、それを補完する。
論文 参考訳（メタデータ） (2026-02-13T08:12:38Z) - LiDAR Loop Closure Detection using Semantic Graphs with Graph Attention Networks [12.33137981696787]
本稿では,グラフ注意ニューラルネットワークを用いてセマンティックグラフを符号化するループ閉鎖検出アルゴリズムを提案する。
次に、セマンティック登録を用いて6DoF相対的なポーズ制約を推定する。
コミュニティの利益のために,提案アルゴリズムの完全な実装をオープンソース化した。
論文 参考訳（メタデータ） (2025-01-31T18:36:04Z) - Associative Knowledge Graphs for Efficient Sequence Storage and Retrieval [0.9786690381850353]
連想知識グラフ(AKG)は、グラフ構造を利用してシーケンスをエンコードすることで、有望なアプローチを提供する。
本研究では,シークエンス保存と検索のための新しい構造的アプローチを提案する。
計算神経科学とバイオインフォマティクスの幅広い応用により、この手法はシーケンスベースのメモリタスクにスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2024-11-19T13:00:31Z) - Graph Parsing Networks [64.5041886737007]
本稿では,効率的なグラフ解析アルゴリズムを提案する。
結果として得られるグラフパーシングネットワーク(GPN)は、個々のグラフに対してパーソナライズされたプーリング構造を適応的に学習する。
論文 参考訳（メタデータ） (2024-02-22T09:08:36Z) - Tuple Packing: Efficient Batching of Small Graphs in Graph Neural
Networks [0.4893345190925178]
いくつかの小さなグラフを1つの全体グラフに組み合わせることで、処理を高速化し、パディングのオーバーヘッドを減らすことが一般的である。
小さいグラフのサイズはノード数やエッジ数によって大きく異なるため、組み合わせたグラフのサイズは依然としてかなり異なる。
本稿では、最小限のオーバーヘッドを引き起こすバッチを生成するための新しいアプローチであるパッキングを提案する。
論文 参考訳（メタデータ） (2022-09-14T00:32:51Z) - Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF)
我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。
我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
論文 参考訳（メタデータ） (2022-05-28T15:37:03Z) - pygrank: A Python Package for Graph Node Ranking [13.492381728793612]
我々は、ノードランキングアルゴリズムを定義し、実行し、評価するオープンソースのPythonパッケージであるpygrankを紹介した。
我々は,グラフフィルタ,ポストプロセッサ,測度,ベンチマーク,オンラインチューニングなど,オブジェクト指向で広範囲に単体テストされたアルゴリズムコンポーネントを提供する。
論文 参考訳（メタデータ） (2021-10-18T13:13:21Z) - Class-wise Dynamic Graph Convolution for Semantic Segmentation [63.08061813253613]
本稿では,情報を適応的に伝達するクラスワイド動的グラフ畳み込み (CDGC) モジュールを提案する。
また、CDGCモジュールと基本セグメンテーションネットワークを含む2つの主要部分からなるCDGCNet(Class-wise Dynamic Graph Convolution Network)についても紹介する。
我々は,Cityscapes,PASCAL VOC 2012,COCO Stuffの3つの一般的なセマンティックセマンティックセマンティクスベンチマークについて広範な実験を行った。
論文 参考訳（メタデータ） (2020-07-19T15:26:50Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳（メタデータ） (2020-05-16T04:44:29Z)
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。