Fugu-MT 論文翻訳(概要): PANDA: Prior-guided Attentional Dual-path Architecture

論文の概要: PANDA: Prior-guided Attentional Dual-path Architecture

arxiv url: http://arxiv.org/abs/2610.13635v1
Date: Fri, 09 Oct 2026 14:15:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-13 04:06:29.616172
Title: PANDA: Prior-guided Attentional Dual-path Architecture
Title（参考訳）: PANDA: 事前誘導型意図的デュアルパスアーキテクチャ
Abstract要約: 2段階のメッセージパッシングHNNのためのプラグインであるPANDAを紹介する。主経路は、学習された受信者正規化注意と構造的発生前とを補間する。非競合的な(正規化されていない)補助パスは、各送信者が独自の変換された情報をコントリビュートすることを可能にする。
参考スコア（独自算出の注目度）: 16.903817952222344
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Hypergraph Neural Networks (HNNs), designed to model higher-order relations beyond pairwise interactions, typically rely either on fixed structural weights or on normalised attention. Fixed weights can propagate misleading information in heterophilic settings, while normalisation makes attention coefficients competitive, in the sense that, in a message-passing framework, increasing the weight of one sender must reduce the weight of others in the same aggregation set. Our main contribution is the introduction of PANDA (Prior-guided AttentioNal Dual-path Architecture), a plug-in for two-stage message passing HNNs applicable to both undirected and directed settings. The main path interpolates between learned receiver-normalised attention and structural incidence priors, while a non-competitive (not normalised) auxiliary path lets each sender contribute its own transformed information. We also show that, with fixed structural coefficients, PANDA recovers a certain complex-valued convolution operator adopted in previous works. Across four HNNs spanning spatial and spectral methods in both directed and undirected settings, plugging PANDA in yields an average improvement of 5.18 percentage points across eight real-world benchmark datasets. The code is available at https://github.com/jainris/panda.
Abstract（参考訳）: ハイパーグラフニューラルネットワーク(HNN)は、対の相互作用を超えた高次関係をモデル化するために設計され、通常、固定された構造重みまたは正規化された注意に依存する。固定重みは、異種親和的な設定で誤解を招く情報を伝播するが、正規化は、メッセージパッシングフレームワークにおいて、1人の送信者の重みを増大させることで、同じ集約セットにおいて他の送信者の重みを減少させなければならないという意味で、注意係数を競合させる。私たちの主な貢献はPANDA(Prior-guided AttentioNal Dual-path Architecture)の導入です。メインパスは学習されたレシーバーが正規化している注意と構造的発生前の先行を補間するが、非競合(正規化されていない)補助パスは各送信者が独自の変換された情報を提供する。また, 構造係数が一定であれば, PANDAは, 以前の研究で採用された複素数値畳み込み演算子を復元することを示した。空間的およびスペクトル的手法にまたがる4つのHNNにおいて、PANDAをプラグすることで、8つの実世界のベンチマークデータセットの平均5.18ポイントの改善が得られる。コードはhttps://github.com/jainris/panda.comで公開されている。

関連論文リスト

GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。 30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
論文参考訳（メタデータ） (2026-09-30T12:20:51Z)
PRIME: Mitigating Subgroup Optimization Competition in Shared CTR Top Networks with Plug-in Residual Input-Conditioned Mixture of Expert [16.073701450851008]
4つのモデルと4つのセマンティックフィールドを持つアバズ上での競合について検討する。我々は,低ランクの残留専門家を混在させたPRIME(Plug-in Residual Input- Conditioned Mixture of Experts)を紹介する。
論文参考訳（メタデータ） (2026-08-31T08:37:44Z)
PANDA - Prototype-Anchored Alignment for Partially Unpaired Multimodal Learning, with Applications to Alzheimers MRI and TCGA Pathology [3.0294044944521694]
PANDA(Prototype Anchored Data Alignment)は、補助情報を推論時に補助入力なしで一次モダリティモデルに転送するフレームワークである。同バックボーンMRIのみのベースラインと比較して、PANDAはAUC 0.868 +-0.020 (+7.9pp)を獲得し、1.5T CN偽陽性を24.3pp減少させる。 RNA-seqを補助データとする全スライド画像からのTCGA-Lung生存予測について、PANDAは2年間のOS(AUC +3.5pp)とCox PH(C-index +9.0pts)でWSIのみを改善する。
論文参考訳（メタデータ） (2026-08-26T16:28:20Z)
Debiasing Message Passing to Mitigate Popularity Bias in GNN-based Collaborative Filtering [14.786952412297808]
グラフニューラルネットワーク(GNN)に基づく協調フィルタリング(CF)モデルは,インタラクショングラフ上でユーザイテム信号を伝搬することにより,レコメンデータシステムにおいて高い性能を達成する。相互作用分布が歪んだり、高次の地区を横断する繰り返しメッセージが、ロングテールのものを抑えながら人気アイテムの影響を増幅するので、人気バイアスに非常に敏感である。既存のデバイアスのアプローチでは、再重み付けの目的、正規化、因果法、後処理は、集約プロセスを通じて伝播するバイアスと直接対応しないため、GNNベースの設定では効果が低い。大衆の疎外化をめざして
論文参考訳（メタデータ） (2026-05-11T18:48:58Z)
From Scaling to Structured Expressivity: Rethinking Transformers for CTR Prediction [14.997545091069894]
クリックスルーレート(CTR)予測のためのディープモデルは、しばしば急速に減少するリターンを示す。我々は根本原因を構造上のミスアライメントとみなしている。本研究ではフィールド・アウェア・トランスフォーマー(FAT)について述べる。
論文参考訳（メタデータ） (2025-11-15T07:55:50Z)
Learning to Compose SuperWeights for Neural Parameter Allocation Search [61.078949532440724]
提案手法は,同じ重み集合を用いて多くのネットワークに対してパラメータを生成することができることを示す。これにより、効率的なアンサンブルや、いつでも予測できるようなタスクをサポートできます。
論文参考訳（メタデータ） (2023-12-03T04:20:02Z)
AMT: All-Pairs Multi-Field Transforms for Efficient Frame Interpolation [80.33846577924363]
ビデオフレームギスブのための新しいネットワークアーキテクチャであるAMT(All-Pairs Multi-Field Transforms)を提案する。まず、すべての画素に対して双方向のボリュームを構築し、予測された両側フローを用いて相関関係を検索する。第2に、入力フレーム上で逆向きのワープを行うために、一対の更新された粗い流れから細粒度の流れ場の複数のグループを導出する。
論文参考訳（メタデータ） (2023-04-19T16:18:47Z)
Plug-and-Play Regulators for Image-Text Matching [76.28522712930668]
微細な対応と視覚的セマンティックなアライメントの爆発は、画像とテキストのマッチングにおいて大きな可能性を秘めている。我々は、メッセージ出力を効率的にエンコードして、コンテキストを自動生成し、モーダル表現を集約する、シンプルだが非常に効果的な2つのレギュレータを開発した。 MSCOCOとFlickr30Kデータセットの実験は、複数のモデルで印象的で一貫したR@1ゲインをもたらすことができることを実証している。
論文参考訳（メタデータ） (2023-03-23T15:42:05Z)
lo-fi: distributed fine-tuning without communication [61.87390899015787]
完全局所微調整をlo-fiと呼ぶ。 lo-fiの間、各ノードは通信なしで独立に微調整される。通信要求を取り除くことで、lo-fiは大規模モデルの微調整のためのリソースバリアを低減する。
論文参考訳（メタデータ） (2022-10-19T20:15:18Z)
Learning Target-aware Representation for Visual Tracking via Informative Interactions [49.552877881662475]
トラッキングのための特徴表現のターゲット認識能力を改善するために,新しいバックボーンアーキテクチャを提案する。提案したGIMモジュールとInBN機構は、CNNやTransformerなど、さまざまなバックボーンタイプに適用可能である。
論文参考訳（メタデータ） (2022-01-07T16:22:27Z)
Link-Intensive Alignment for Incomplete Knowledge Graphs [28.213397255810936]
本研究では,不完全KGと表現学習の整合性の問題に対処する。我々のフレームワークは、推移性に基づく2つの特徴チャネルと近接性に基づく2つの特徴チャネルを利用する。 2つの特徴チャネルは、入力KG間で重要な特徴を交換するために共同で学習される。また,学習過程中に欠落したリンクを検出し,回復するリンク検出装置も開発した。
論文参考訳（メタデータ） (2021-12-17T00:41:28Z)

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。