論文の概要: Introduction to Machine Learning for Accelerator Physics

• arxiv url: http://arxiv.org/abs/2006.09913v1
• Date: Wed, 17 Jun 2020 14:46:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 21:30:06.353123
• Title: Introduction to Machine Learning for Accelerator Physics
• Title（参考訳）: 加速器物理のための機械学習入門
• Authors: Daniel Ratner
• Abstract要約: この2つのCAS講義は、加速物理学の学生に機械学習(ML)の枠組みと用語について紹介する。 まず、線形回帰の単純な例からMLの言語を導入します。 次に、非パラメトリックモデルとカーネル手法を導入し、教師なしおよび強化学習の2つの他の機械学習パラダイムについて簡単な紹介を行う。
• 参考スコア（独自算出の注目度）: 1.370633147306388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This pair of CAS lectures gives an introduction for accelerator physics students to the framework and terminology of machine learning (ML). We start by introducing the language of ML through a simple example of linear regression, including a probabilistic perspective to introduce the concepts of maximum likelihood estimation (MLE) and maximum a priori (MAP) estimation. We then apply the concepts to examples of neural networks and logistic regression. Next we introduce non-parametric models and the kernel method and give a brief introduction to two other machine learning paradigms, unsupervised and reinforcement learning. Finally we close with example applications of ML at a free-electron laser.
• Abstract（参考訳）: このペアのCAS講義は、加速物理学の学生に機械学習(ML)の枠組みと用語について紹介する。 まず,線形回帰の簡単な例を通じてmlの言語を導入することで,mle(maximum likelihood estimation)とmap(maximum a priori)推定の概念を導入する確率論的視点を導入する。 次に、この概念をニューラルネットワークやロジスティック回帰の例に適用する。 次に、非パラメトリックモデルとカーネル手法を導入し、教師なしおよび強化学習の2つの他の機械学習パラダイムについて簡単な紹介を行う。 最後に、自由電子レーザーにおけるmlの応用例を閉じる。

関連論文リスト

• Verbalized Machine Learning: Revisiting Machine Learning with Language Models [63.10391314749408]
  言語化機械学習(VML)の枠組みを紹介する。 VMLはパラメータ空間を人間の解釈可能な自然言語に制限する。 我々は,VMLの有効性を実証的に検証し,VMLがより強力な解釈可能性を実現するためのステップストーンとして機能することを期待する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:56Z)
• Machine Unlearning of Pre-trained Large Language Models [17.40601262379265]
  本研究では,大規模言語モデル(LLM)の文脈における「忘れられる権利」の概念について検討する。 我々は、事前学習されたモデルに焦点をあてて、機械学習を重要なソリューションとして探求する。
  論文  参考訳（メタデータ） (2024-02-23T07:43:26Z)
• An Explainable Framework for Machine learning-Based Reactive Power Optimization of Distribution Network [3.239871645288635]
  分散ネットワークにおけるリアクティブパワーを最適化するために、説明可能な機械学習フレームワークを提案する。 反応電力最適化の解に対する各入力特徴の寄与を測定するために、Shapley付加的説明フレームワークが提示される。 重い計算負担を回避するため,Shapley値を推定するためにモデル非依存近似法を開発した。
  論文  参考訳（メタデータ） (2023-11-07T10:24:03Z)
• Explainability for Large Language Models: A Survey [59.67574757137078]
  大規模言語モデル(LLM)は、自然言語処理における印象的な能力を示している。 本稿では,トランスフォーマーに基づく言語モデルを記述する手法について,説明可能性の分類法を紹介した。
  論文  参考訳（メタデータ） (2023-09-02T22:14:26Z)
• Evaluating and Explaining Large Language Models for Code Using Syntactic Structures [74.93762031957883]
  本稿では,コード用大規模言語モデルに特有の説明可能性手法であるASTxplainerを紹介する。 その中核にあるASTxplainerは、トークン予測をASTノードに整合させる自動メソッドを提供する。 私たちは、最も人気のあるGitHubプロジェクトのキュレートデータセットを使用して、コード用の12の人気のあるLLMに対して、実証的な評価を行います。
  論文  参考訳（メタデータ） (2023-08-07T18:50:57Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
  本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。 また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
  論文  参考訳（メタデータ） (2021-08-17T17:44:38Z)
• Explainable Empirical Risk Minimization [0.6299766708197883]
  機械学習(ML)の手法が成功すると、解釈可能性や説明可能性にますます依存するようになる。 本稿では、情報理論の概念を適用し、ML法による予測の主観的説明可能性のための新しい尺度を開発する。 我々の主な貢献は、主観的説明可能性とリスクを最適にバランスする仮説を学ぶための説明可能な経験的リスク最小化(EERM)原理である。
  論文  参考訳（メタデータ） (2020-09-03T07:16:34Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)
• Using Machine Learning for Model Physics: an Overview [0.0]
  マッピングのエミュレートや近似に使用できる機械学習(ML)ツールが導入されている。 開発者が標準パラメータ化パラダイムを越えられるようなMLアプローチについても議論されている。
  論文  参考訳（メタデータ） (2020-02-02T15:29:23Z)

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。