論文の概要: Quiver Mutations, Seiberg Duality and Machine Learning
- arxiv url: http://arxiv.org/abs/2006.10783v1
- Date: Thu, 18 Jun 2020 18:01:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 14:16:53.633404
- Title: Quiver Mutations, Seiberg Duality and Machine Learning
- Title(参考訳): クイックミューテーション、シーバーグの二重性、機械学習
- Authors: Jiakang Bao, Sebasti\'an Franco, Yang-Hui He, Edward Hirst, Gregg
Musiker, Yan Xiao
- Abstract要約: 我々は、クラスター代数の文脈における数学にも関心を持つ、クイバーゲージ理論のケースに焦点を当てる。
機械学習の性能は,クラス数や突然変異型など,いくつかの変数に依存する。
考慮されたすべての質問において、高い精度と信頼性が達成できる。
- 参考スコア(独自算出の注目度): 3.717544246477156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We initiate the study of applications of machine learning to Seiberg duality,
focusing on the case of quiver gauge theories, a problem also of interest in
mathematics in the context of cluster algebras. Within the general theme of
Seiberg duality, we define and explore a variety of interesting questions,
broadly divided into the binary determination of whether a pair of theories
picked from a series of duality classes are dual to each other, as well as the
multi-class determination of the duality class to which a given theory belongs.
We study how the performance of machine learning depends on several variables,
including number of classes and mutation type (finite or infinite). In
addition, we evaluate the relative advantages of Naive Bayes classifiers versus
Convolutional Neural Networks. Finally, we also investigate how the results are
affected by the inclusion of additional data, such as ranks of gauge/flavor
groups and certain variables motivated by the existence of underlying
Diophantine equations. In all questions considered, high accuracy and
confidence can be achieved.
- Abstract(参考訳): 我々は、クラスター代数の文脈において数学にも関心のあるクイバーゲージ理論の場合に焦点をあてて、セイバーグ双対性への機械学習の適用の研究を開始する。
シーバーグ双対性(seiberg duality)の一般的なテーマでは、一連の双対性類から選択された2つの理論が互いに双対であるかどうかの2次決定と、与えられた理論が属する双対性クラスの多クラス決定に大別される、様々な興味深い質問を定義し、探求する。
機械学習の性能は,クラス数や突然変異型(有限あるいは無限)など,いくつかの変数に依存する。
さらに,naive bayes分類器と畳み込みニューラルネットワークの相対的利点を評価する。
最後に,ゲージ・フレーバー群の階数や下層のディオファント方程式の存在を動機とする変数などの付加データの影響についても検討した。
考慮されたすべての質問において、高い精度と信頼性が達成できる。
関連論文リスト
- A Category-theoretical Meta-analysis of Definitions of Disentanglement [97.34033555407403]
データの変化の要因を識別することは、機械学習の基本的な概念である。
本稿では,既存の乱れの定義をメタ分析する。
論文 参考訳(メタデータ) (2023-05-11T15:24:20Z) - Towards a Holistic Understanding of Mathematical Questions with
Contrastive Pre-training [65.10741459705739]
本稿では,数学的問題表現,すなわち QuesCo に対する対照的な事前学習手法を提案する。
まず、コンテンツレベルと構造レベルを含む2段階の質問強化を設計し、類似した目的で文字通り多様な質問ペアを生成する。
そこで我々は,知識概念の階層的情報を完全に活用するために,知識階層を意識したランク戦略を提案する。
論文 参考訳(メタデータ) (2023-01-18T14:23:29Z) - Soft-margin classification of object manifolds [0.0]
単一対象の複数の出現に対応する神経集団は、神経応答空間における多様体を定義する。
そのような多様体を分類する能力は、オブジェクト認識やその他の計算タスクは多様体内の変数に無関心な応答を必要とするため、興味がある。
ソフトマージン分類器は、より大きなアルゴリズムのクラスであり、トレーニングセット外のパフォーマンスを最適化するためにアプリケーションで使われる追加の正規化パラメータを提供する。
論文 参考訳(メタデータ) (2022-03-14T12:23:36Z) - Diversity and Generalization in Neural Network Ensembles [0.0]
これまでに公表された結果を、多様性とアンサンブルのパフォーマンスの関係を記述した理論的に健全な枠組みで組み合わせて拡張する。
多様性を測定する方法、多様性がアンサンブルの一般化誤差とどのように関係しているか、そして、ニューラルネットワークアンサンブルアルゴリズムによって多様性が促進されるか、といった質問に対して、音声による回答を提供する。
論文 参考訳(メタデータ) (2021-10-26T15:41:10Z) - Towards Causal Representation Learning [96.110881654479]
機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。
現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
論文 参考訳(メタデータ) (2021-02-22T15:26:57Z) - Fundamental Limits and Tradeoffs in Invariant Representation Learning [99.2368462915979]
多くの機械学習アプリケーションは、2つの競合する目標を達成する表現を学習する。
ミニマックスゲーム理論の定式化は、精度と不変性の基本的なトレードオフを表す。
分類と回帰の双方において,この一般的かつ重要な問題を情報論的に解析する。
論文 参考訳(メタデータ) (2020-12-19T15:24:04Z) - Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。
類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
論文 参考訳(メタデータ) (2020-06-11T05:35:16Z) - Provable tradeoffs in adversarially robust classification [96.48180210364893]
我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。
この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
論文 参考訳(メタデータ) (2020-06-09T09:58:19Z) - Connecting Dualities and Machine Learning [0.0]
二重性は量子場理論や弦理論において、高い精度で相関関数を得るために広く用いられている。
ここでは、二値データ表現が教師付き分類、機械学習と理論物理学の典型的なタスクのリンクに有用である例を示す。
特徴分離, 所望の表現に対する特徴マッチング, 単純な相関関数の優れた性能により, 未知の2つの表現を導出できることがわかった。
論文 参考訳(メタデータ) (2020-02-12T19:00:02Z)
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。