論文の概要: Unsupervised phase discovery with deep anomaly detection
- arxiv url: http://arxiv.org/abs/2003.09905v2
- Date: Thu, 18 Mar 2021 14:31:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-28 11:44:08.145359
- Title: Unsupervised phase discovery with deep anomaly detection
- Title(参考訳): 深部異常検出による無監督位相検出
- Authors: Korbinian Kottmann, Patrick Huembeli, Maciej Lewenstein, Antonio Acin
- Abstract要約: 我々は、自動化された教師なし機械学習を用いてフェーズダイアグラムを探索する方法を実証する。
私たちは、完全に教師なしかつ自動化された方法で、フェーズダイアグラム全体を決定するために、ディープニューラルネットワークを使用します。
提案手法により, 予期せぬ特性を有する超固相と超流動相の相分離領域を明らかにすることができる。
- 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: We demonstrate how to explore phase diagrams with automated and unsupervised
machine learning to find regions of interest for possible new phases. In
contrast to supervised learning, where data is classified using predetermined
labels, we here perform anomaly detection, where the task is to differentiate a
normal data set, composed of one or several classes, from anomalous data. Asa
paradigmatic example, we explore the phase diagram of the extended Bose Hubbard
model in one dimension at exact integer filling and employ deep neural networks
to determine the entire phase diagram in a completely unsupervised and
automated fashion. As input data for learning, we first use the entanglement
spectra and central tensors derived from tensor-networks algorithms for
ground-state computation and later we extend our method and use experimentally
accessible data such as low-order correlation functions as inputs. Our method
allows us to reveal a phase-separated region between supersolid and superfluid
parts with unexpected properties, which appears in the system in addition to
the standard superfluid, Mott insulator, Haldane-insulating, and density wave
phases.
- Abstract(参考訳): 我々は、自動化された教師なしの機械学習でフェーズ図を探索し、新しいフェーズの興味のある領域を見つける方法を示します。
教師付き学習とは対照的に、データは所定のラベルで分類されるが、ここでは異常検出を行い、1つまたは複数のクラスからなる通常のデータセットと異常データとを区別する。
Asaパラダイム的な例では、拡張されたボース・ハバードモデルの位相図を1次元の整数充填で探索し、深層ニューラルネットワークを用いて完全に教師なしかつ自動化された方法で位相図全体を決定する。
学習用入力データとして,まずテンソルネットワークアルゴリズムから得られる絡み合いスペクトルと中心テンソルを基底状態計算に利用し,その後,提案手法を拡張し,低次相関関数などの実験的にアクセス可能なデータを入力として利用する。
本手法では, 標準超流動, モット絶縁体, ハルデン絶縁相, 密度波相に加えて, 予期せぬ特性を持つ超固相と超流動相の相分離領域を明らかにすることができる。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - A phase transition between positional and semantic learning in a
solvable model of dot-product attention [20.83573496458023]
点積注意層が位置注意行列と意味注意行列をいかに学習するかを示す。
アルゴリズム的なタスクに対して、同じ単純なアーキテクチャが、位置的または意味的なメカニズムを使ってどのように学習できるかを実験的に示す。
論文 参考訳(メタデータ) (2024-02-06T11:13:54Z) - Gradient-Based Feature Learning under Structured Data [57.76552698981579]
異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。
バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。
特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
論文 参考訳(メタデータ) (2023-09-07T16:55:50Z) - Unsupervised Anomaly Detection via Nonlinear Manifold Learning [0.0]
異常は、残りのデータから著しく逸脱するサンプルであり、その検出は機械学習モデルを構築する上で大きな役割を果たす。
非線形多様体学習に基づく頑健で効率的かつ解釈可能な手法を導入し,教師なし設定における異常を検出する。
論文 参考訳(メタデータ) (2023-06-15T18:48:10Z) - Fascinating Supervisory Signals and Where to Find Them: Deep Anomaly
Detection with Scale Learning [11.245813423781415]
我々は、データラベルとして特性-スケール-を導入することで、データのための新しいデータ駆動監視を考案する。
スケールは変換された表現にアタッチされたラベルとして機能し、ニューラルネットワークのトレーニングに十分なラベル付きデータを提供する。
本稿では,大規模学習に基づく異常検出手法を提案する。
論文 参考訳(メタデータ) (2023-05-25T14:48:00Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Enhancing Unsupervised Anomaly Detection with Score-Guided Network [13.127091975959358]
異常検出は、医療や金融システムなど、さまざまな現実世界のアプリケーションにおいて重要な役割を担っている。
正規データと異常データの間の異常スコアの差を学習・拡大するために,スコア誘導正規化を用いた新しいスコアネットワークを提案する。
次に,スコア誘導型オートエンコーダ(SG-AE)を提案する。
論文 参考訳(メタデータ) (2021-09-10T06:14:53Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳(メタデータ) (2021-05-30T22:07:13Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Unsupervised machine learning of topological phase transitions from
experimental data [52.77024349608834]
超低温原子からの実験データに教師なし機械学習技術を適用する。
我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。
我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
論文 参考訳(メタデータ) (2021-01-14T16:38:21Z)
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。