Fugu-MT 論文翻訳(概要): Generalized Kernel-Based Dynamic Mode Decomposition

論文の概要: Generalized Kernel-Based Dynamic Mode Decomposition

arxiv url: http://arxiv.org/abs/2002.04375v1
Date: Tue, 11 Feb 2020 13:50:00 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 01:55:34.944795
Title: Generalized Kernel-Based Dynamic Mode Decomposition
Title（参考訳）: 一般化カーネルベース動的モード分解
Authors: Patrick Heas, Cedric Herzet, Benoit Combes
Abstract要約: 我々は、カーネルベースの動的モード分解と呼ばれる最近のアプローチを一般化する低階制約最適化とカーネルベースの計算に基づくアルゴリズムを考案する。このアルゴリズムの特徴は近似精度の向上、数値シミュレーションによる証明、計算複雑性である。
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: Reduced modeling in high-dimensional reproducing kernel Hilbert spaces offers the opportunity to approximate efficiently non-linear dynamics. In this work, we devise an algorithm based on low rank constraint optimization and kernel-based computation that generalizes a recent approach called "kernel-based dynamic mode decomposition". This new algorithm is characterized by a gain in approximation accuracy, as evidenced by numerical simulations, and in computational complexity.
Abstract（参考訳）: 高次元再現核ヒルベルト空間における縮小モデリングは、効率的に非線形ダイナミクスを近似する機会を与える。本研究では,カーネルベースの動的モード分解と呼ばれる最近の手法を一般化した低階制約最適化とカーネルベースの計算に基づくアルゴリズムを考案する。このアルゴリズムは数値シミュレーションや計算複雑性によって証明される近似精度の利得によって特徴づけられる。

関連論文リスト

Adaptive Error-Bounded Hierarchical Matrices for Efficient Neural Network Compression [0.0]
本稿では,物理インフォームドニューラルネットワーク(PINN)に適した動的,エラーバウンドな階層行列 (H-matrix) 圧縮手法を提案する。提案手法は,ニューラル・タンジェント・カーネル(NTK)の本質的性質を保ちながら,大規模物理モデルにおける計算複雑性とメモリ要求を低減させる。実験により, この手法は, 高精度を維持し, 一般化能力を向上させることにより, Singular Value Decomposition (SVD) やプルーニング, 量子化などの従来の圧縮手法よりも優れていることを示した。
論文参考訳（メタデータ） (2024-09-11T05:55:51Z)
Asymptotic Dynamics of Alternating Minimization for Bilinear Regression [2.992602379681373]
交代最小化の力学は進化記憶における二次元的依存によって効果的に記述できることを示す。この研究で開発された理論的枠組みは、反復最小化の範囲を超えて、様々な反復アルゴリズムの分析に適用できる。
論文参考訳（メタデータ） (2024-02-07T11:09:10Z)
Stochastic Gradient Descent for Gaussian Processes Done Right [86.83678041846971]
emphdone right -- 最適化とカーネルコミュニティからの具体的な洞察を使用するという意味で -- が、勾配降下は非常に効果的であることを示している。本稿では,直感的に設計を記述し,設計選択について説明する。本手法は,分子結合親和性予測のための最先端グラフニューラルネットワークと同程度にガウス過程の回帰を配置する。
論文参考訳（メタデータ） (2023-10-31T16:15:13Z)
An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文参考訳（メタデータ） (2023-06-10T08:25:16Z)
Effective Hamiltonian approach to the exact dynamics of open system by complex discretization approximation for environment [0.0]
本稿では,複素ガウス二次数を用いた複素平面における離散化近似法の正規一般化を提案する。有効ハミルトニアンは非エルミート的であり、負の虚部を持つ複素エネルギーモードを証明できる。
論文参考訳（メタデータ） (2023-03-12T05:34:29Z)
Matrix Reordering for Noisy Disordered Matrices: Optimality and Computationally Efficient Algorithms [9.245687221460654]
単細胞生物学とメダゲノミクスの応用により,ノイズモノトンToeplitz行列モデルに基づく行列化の問題を考察した。我々は、決定理論の枠組みでこの問題の基本的な統計的限界を確立し、制約付き最小二乗率を示す。そこで本研究では,性能向上を保証した新しい時間適応ソートアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-01-17T14:53:52Z)
Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
論文参考訳（メタデータ） (2021-06-10T18:17:57Z)
Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文参考訳（メタデータ） (2021-06-09T08:05:36Z)
IDEAL: Inexact DEcentralized Accelerated Augmented Lagrangian Method [64.15649345392822]
本稿では,局所関数が滑らかで凸な分散最適化環境下での原始的手法設計のためのフレームワークを提案する。提案手法は,加速ラグランジアン法により誘導されるサブプロブレム列を概ね解いたものである。加速度勾配降下と組み合わせることで,収束速度が最適で,最近導出された下界と一致した新しい原始アルゴリズムが得られる。
論文参考訳（メタデータ） (2020-06-11T18:49:06Z)
On the Convergence of the Dynamic Inner PCA Algorithm [5.9931120596636935]
DiPCAは時間依存データ解析のための強力な手法である。これは座標分解アルゴリズムの特殊な変種であることを示す。分解戦略のパフォーマンスを既成のそれと比較する。
論文参考訳（メタデータ） (2020-03-12T17:50:34Z)
Interpolation Technique to Speed Up Gradients Propagation in Neural ODEs [71.26657499537366]
本稿では,ニューラルネットワークモデルにおける勾配の効率的な近似法を提案する。我々は、分類、密度推定、推論近似タスクにおいて、ニューラルODEをトレーニングするリバースダイナミック手法と比較する。
論文参考訳（メタデータ） (2020-03-11T13:15:57Z)

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。