Fugu-MT 論文翻訳(概要): Renormalized Mutual Information for Artificial Scientific Discovery

論文の概要: Renormalized Mutual Information for Artificial Scientific Discovery

arxiv url: http://arxiv.org/abs/2005.01912v3
Date: Fri, 5 Mar 2021 11:20:34 GMT
ステータス: 処理完了
システム内更新日: 2022-12-07 01:42:15.473752
Title: Renormalized Mutual Information for Artificial Scientific Discovery
Title（参考訳）: 人工科学発見のための正規化相互情報
Authors: Leopoldo Sarra, Andrea Aiello, Florian Marquardt
Abstract要約: 我々は、連続確率変数間の依存性を推定できる、よく定義された相互情報の正規化バージョンを導出する。これは特徴抽出に関係しており、目的は高次元系の低次元実効的な記述を作ることである。
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: We derive a well-defined renormalized version of mutual information that allows to estimate the dependence between continuous random variables in the important case when one is deterministically dependent on the other. This is the situation relevant for feature extraction, where the goal is to produce a low-dimensional effective description of a high-dimensional system. Our approach enables the discovery of collective variables in physical systems, thus adding to the toolbox of artificial scientific discovery, while also aiding the analysis of information flow in artificial neural networks.
Abstract（参考訳）: 決定論的に他方に依存する場合に重要な場合において連続確率変数間の依存性を推定できる相互情報のよく定義された再正規化バージョンを導出する。これは特徴抽出に関連する状況であり、高次元システムの低次元実効的な記述を作ることが目的である。提案手法により,物理系における集合変数の発見が可能となり,人工科学発見のツールボックスに加え,人工ニューラルネットワークにおける情報フローの分析を支援する。

関連論文リスト

Back to Bayesics: Uncovering Human Mobility Distributions and Anomalies with an Integrated Statistical and Neural Framework [14.899157568336731]
DeepBayesicは、ベイズ原理とディープニューラルネットワークを統合し、基盤となる分布をモデル化する新しいフレームワークである。我々は,いくつかのモビリティデータセットに対するアプローチを評価し,最先端の異常検出手法の大幅な改善を実証した。
論文参考訳（メタデータ） (2024-10-01T19:02:06Z)
Heterogeneous quantization regularizes spiking neural network activity [0.0]
本稿では、アナログデータを正規化し、スパイク位相表現に量子化する、データブラインドニューロモルフィック信号条件付け戦略を提案する。我々は、量子化重みの範囲と密度が蓄積された入力統計に適応するデータ認識キャリブレーションステップを追加することで、このメカニズムを拡張した。
論文参考訳（メタデータ） (2024-09-27T02:25:44Z)
Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
論文参考訳（メタデータ） (2024-08-29T02:21:11Z)
Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文参考訳（メタデータ） (2024-03-02T00:56:05Z)
Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文参考訳（メタデータ） (2023-11-09T23:32:06Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
Encoding Domain Information with Sparse Priors for Inferring Explainable Latent Variables [2.8935588665357077]
説明可能な因子の推論を促進するために,スパース先行の因子潜在変数モデルであるspex-LVMを提案する。 spex-LVMは、既存の生物医療経路の知識を利用して、潜在因子にアノテート属性を自動的に割り当てる。シミュレーションおよび実シングルセルRNA-seqデータセットの評価は、本モデルが本質的に説明可能な方法で関連構造を頑健に識別することを示す。
論文参考訳（メタデータ） (2021-07-08T10:19:32Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)
Information Theory Measures via Multidimensional Gaussianization [7.788961560607993]
情報理論は、データやシステムの不確実性、依存、関連性を測定するための優れたフレームワークである。現実世界の応用にはいくつかの望ましい性質がある。しかし,多次元データから情報を取得することは,次元性の呪いによる難題である。
論文参考訳（メタデータ） (2020-10-08T07:22:16Z)
Beyond Data Samples: Aligning Differential Networks Estimation with Scientific Knowledge [18.980524563441975]
提案した推定器は多数の変数に対してスケーラブルであり、鋭い収束率を達成する。本研究は, 遺伝的ネットワーク同定と脳コネクトーム変化発見において, グループ, 空間, 解剖学的知識を統合することの意義を明らかにするものである。
論文参考訳（メタデータ） (2020-04-24T00:01:15Z)

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。