Fugu-MT 論文翻訳(概要): The covariance matrix of Green's functions and its application to machine learning

論文の概要: The covariance matrix of Green's functions and its application to machine learning

arxiv url: http://arxiv.org/abs/2004.06481v1
Date: Tue, 14 Apr 2020 13:26:01 GMT
ステータス: 処理完了
システム内更新日: 2022-12-13 09:06:56.865807
Title: The covariance matrix of Green's functions and its application to machine learning
Title（参考訳）: グリーン関数の共分散行列とその機械学習への応用
Authors: Tomoko Nagai
Abstract要約: まず,2次線型常微分方程式のディリクレ境界値問題に対するグリーン関数について検討する。我々は、正規化グリーン関数からなる共分散行列を、確率密度関数と見なす。
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: In this paper, a regression algorithm based on Green's function theory is proposed and implemented. We first survey Green's function for the Dirichlet boundary value problem of 2nd order linear ordinary differential equation, which is a reproducing kernel of a suitable Hilbert space. We next consider a covariance matrix composed of the normalized Green's function, which is regarded as aprobability density function. By supporting Bayesian approach, the covariance matrix gives predictive distribution, which has the predictive mean $\mu$ and the confidence interval [$\mu$-2s, $\mu$+2s], where s stands for a standard deviation.
Abstract（参考訳）: 本稿では,グリーン関数理論に基づく回帰アルゴリズムを提案し,実装した。まず, 適当なヒルベルト空間の再現核である2階線形常微分方程式のディリクレ境界値問題に対するグリーン関数について検討した。次に,確率密度関数と見なされる正規化グリーン関数からなる共分散行列を考える。ベイズ的アプローチをサポートすることにより、共分散行列は、予測平均$\mu$ と信頼区間 [$\mu$-2s, $\mu$+2s] を持つ予測分布を与える。

関連論文リスト

Generalizing Stochastic Smoothing for Differentiation and Gradient Estimation [59.86921150579892]
アルゴリズム,演算子,シミュレータ,その他の微分不可能関数の微分可能緩和に対する勾配推定の問題に対処する。我々は、微分可能なソートとランキングのための分散化戦略、グラフ上の微分可能なショートパス、ポーズ推定のための微分可能なレンダリング、および微分可能なCryo-ETシミュレーションを開発する。
論文参考訳（メタデータ） (2024-10-10T17:10:00Z)
Theoretical Guarantees for Variational Inference with Fixed-Variance Mixture of Gaussians [27.20127082606962]
変分推論(VI)はベイズ推定において一般的なアプローチである。この研究は、非ガウスの場合のVIの理論研究に寄与することを目的としている。
論文参考訳（メタデータ） (2024-06-06T12:38:59Z)
Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文参考訳（メタデータ） (2024-04-29T15:04:07Z)
Learning Domain-Independent Green's Function For Elliptic Partial Differential Equations [0.0]
グリーン関数は偏微分方程式(PDE)を特徴づけ、その解を全領域の積分として写像する。 BIN-Gと呼ばれる領域に依存しないグリーン関数を学習するための境界積分ネットワークを提案する。本稿では,変数係数を持つPDEに対するグリーン関数の高速な学習と精度評価を可能にする数値計算手法を提案する。
論文参考訳（メタデータ） (2024-01-30T17:00:22Z)
Gradient-Free Methods for Deterministic and Stochastic Nonsmooth Nonconvex Optimization [94.19177623349947]
非滑らかな非最適化問題は、機械学習とビジネス製造に現れる。 2つのコア課題は、有限収束を保証する効率的な方法の開発を妨げる。 GFMとSGFMの2相版も提案され, 改良された大規模評価結果が得られた。
論文参考訳（メタデータ） (2022-09-12T06:53:24Z)
BI-GreenNet: Learning Green's functions by boundary integral network [14.008606361378149]
グリーン関数は偏微分方程式の理論解析と数値計算において重要な役割を果たしている。我々はグリーン関数を高精度に計算する新しい方法を開発した。
論文参考訳（メタデータ） (2022-04-28T01:42:35Z)
Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。 MRP のサブクラスに対する minimax の下位境界を証明する。
論文参考訳（メタデータ） (2021-09-24T14:48:20Z)
Statistics of Green's functions on a disordered Cayley tree and the validity of forward scattering approximation [0.0]
ケイリー木上のアンダーソン局在モデルの2点グリーン関数に対する前方散乱近似の精度について検討した。グリーン関数のモーメントと線形化移動行列方程式の最大の固有値の関係が証明された。この固有値に対する新しい大差分近似が導出され、その精度が確立される。
論文参考訳（メタデータ） (2021-08-23T18:00:02Z)
Unbiased Estimation Equation under $f$-Separable Bregman Distortion Measures [0.3553493344868413]
単調に増大する関数$f$とブレグマン発散を用いた対象関数のクラスにおける非バイアス推定方程式について議論する。関数 $f$ の選択は、外れ値に対するロバスト性のような望ましい性質を与える。本研究では, バイアス補正項が消滅したブレグマン発散, 統計モデル, 関数$f$の組み合わせを明らかにする。
論文参考訳（メタデータ） (2020-10-23T10:33:55Z)
Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。 6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文参考訳（メタデータ） (2020-09-07T13:01:45Z)
A Random Matrix Analysis of Random Fourier Features: Beyond the Gaussian Kernel, a Precise Phase Transition, and the Corresponding Double Descent [85.77233010209368]
本稿では、データサンプルの数が$n$である現実的な環境で、ランダムフーリエ(RFF)回帰の正確さを特徴付けます。この分析はまた、大きな$n,p,N$のトレーニングとテスト回帰エラーの正確な推定も提供する。
論文参考訳（メタデータ） (2020-06-09T02:05:40Z)

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。