Fugu-MT 論文翻訳(概要): Reducing Deep Network Complexity via Sparse Hierarchical Fourier Interaction Networks

論文の概要: Reducing Deep Network Complexity via Sparse Hierarchical Fourier Interaction Networks

arxiv url: http://arxiv.org/abs/1801.01451v3
Date: Thu, 17 Apr 2025 19:06:38 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-29 00:16:46.233367
Title: Reducing Deep Network Complexity via Sparse Hierarchical Fourier Interaction Networks
Title（参考訳）: 疎階層フーリエ相互作用ネットワークによるディープネットワーク複雑度低減
Authors: Andrew Kiruluta, Samantha Williams,
Abstract要約: 局所的な詳細とグローバルな文脈に同時アクセス可能な階層的パッチワイドフーリエ変換; 最も情報性の高いスペクトル係数のみを保持する学習可能で微分可能なトップKマスキング機構により、視覚信号と言語信号の自然な圧縮性を利用する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents a Sparse Hierarchical Fourier Interaction Networks, an architectural building block that unifies three complementary principles of frequency domain modeling: A hierarchical patch wise Fourier transform that affords simultaneous access to local detail and global context; A learnable, differentiable top K masking mechanism which retains only the most informative spectral coefficients, thereby exploiting the natural compressibility of visual and linguistic signals.
Abstract（参考訳）: 本稿では、周波数領域モデリングの3つの相補的な原理を統一したアーキテクチャビルディングブロックであるスパース階層フーリエ相互作用ネットワークについて述べる。

関連論文リスト

Implicit Neural Representations with Fourier Kolmogorov-Arnold Networks [4.499833362998488]
入射神経表現(INR)は、複雑な信号の連続的および分解非依存的な表現を提供するためにニューラルネットワークを使用する。提案したFKANは、第1層のフーリエ級数としてモデル化された学習可能なアクティベーション関数を用いて、タスク固有の周波数成分を効果的に制御し、学習する。実験結果から,提案したFKANモデルは,最先端の3つのベースラインスキームよりも優れていることがわかった。
論文参考訳（メタデータ） (2024-09-14T05:53:33Z)
HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
論文参考訳（メタデータ） (2023-10-03T17:42:09Z)
Deep Fourier Up-Sampling [100.59885545206744]
フーリエ領域のアップサンプリングは、そのような局所的な性質に従わないため、より難しい。これらの問題を解決するために理論的に健全なDeep Fourier Up-Sampling (FourierUp)を提案する。
論文参考訳（メタデータ） (2022-10-11T06:17:31Z)
Functional Regularization for Reinforcement Learning via Learned Fourier Features [98.90474131452588]
本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
論文参考訳（メタデータ） (2021-12-06T18:59:52Z)
Seeing Implicit Neural Representations as Fourier Series [13.216389226310987]
Inlicit Neural Representation (INR)は低次元問題領域における高周波関数を表現するために多層パーセプトロンを使用する。これらの表現は、複雑な3Dオブジェクトやシーンに関連するタスクについて、最先端の結果を得た。この研究は2つの方法間の接続を分析し、フーリエ写像されたパーセプトロンが構造的に1つの隠蔽層SIRENと似ていることを示す。
論文参考訳（メタデータ） (2021-09-01T08:40:20Z)
A Fourier-based Framework for Domain Generalization [82.54650565298418]
ドメインの一般化は、複数のソースドメインから伝達可能な知識を学習して、未確認のターゲットドメインに一般化することでこの問題に対処することを目的としている。本稿では、ドメイン一般化のための新しいフーリエに基づく視点を紹介する。 3つのベンチマーク実験により,提案手法は領域一般化のための最先端性能を実現することができることを示した。
論文参考訳（メタデータ） (2021-05-24T06:50:30Z)
Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文参考訳（メタデータ） (2020-09-08T13:10:21Z)
A Multiscale Graph Convolutional Network Using Hierarchical Clustering [0.0]
マルチスケールの分解によってこの情報を活用する新しいアーキテクチャを探索する。デンドログラムは、Girvan-Newman階層的クラスタリングアルゴリズムによって生成される。アーキテクチャはベンチマーク引用ネットワーク上でテストされ、競合性能を実証する。
論文参考訳（メタデータ） (2020-06-22T18:13:03Z)
Fourier Neural Networks as Function Approximators and Differential Equation Solvers [0.456877715768796]
活性化と損失関数の選択は、フーリエ級数展開を密接に再現する結果をもたらす。我々はこのFNNを自然周期的滑らかな関数と断片的連続周期関数で検証する。現在のアプローチの主な利点は、トレーニング領域外のソリューションの有効性、トレーニングされたモデルの解釈可能性、使用の単純さである。
論文参考訳（メタデータ） (2020-05-27T00:30:58Z)
Convolutional Occupancy Networks [88.48287716452002]
本稿では,オブジェクトと3Dシーンの詳細な再構築のための,より柔軟な暗黙的表現である畳み込み機能ネットワークを提案する。畳み込みエンコーダと暗黙の占有デコーダを組み合わせることで、帰納的バイアスが組み込まれ、3次元空間における構造的推論が可能となる。実験により,本手法は単一物体の微細な3次元再構成,大規模屋内シーンへのスケール,合成データから実データへの一般化を可能にした。
論文参考訳（メタデータ） (2020-03-10T10:17:07Z)

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。