Fugu-MT 論文翻訳(概要): Spectral estimation from simulations via sketching

論文の概要: Spectral estimation from simulations via sketching

arxiv url: http://arxiv.org/abs/2007.11026v2
Date: Thu, 16 Sep 2021 16:15:15 GMT
ステータス: 処理完了
システム内更新日: 2022-11-08 04:29:06.844407
Title: Spectral estimation from simulations via sketching
Title（参考訳）: スケッチによるシミュレーションからのスペクトル推定
Authors: Zhishen Huang and Stephen Becker
Abstract要約: スケッチは,シミュレーションデータを圧縮し,時間自己相関と電力スペクトル密度を正確に推定するのに有効であることを示す。理論的保証の提供に加えて,メタノールの分子動力学シミュレーションにもスケッチを適用し,その10%のデータを用いてスペクトル密度の推定が90%正確であることを確認した。
参考スコア（独自算出の注目度）: 7.462336024223667
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Sketching is a stochastic dimension reduction method that preserves geometric structures of data and has applications in high-dimensional regression, low rank approximation and graph sparsification. In this work, we show that sketching can be used to compress simulation data and still accurately estimate time autocorrelation and power spectral density. For a given compression ratio, the accuracy is much higher than using previously known methods. In addition to providing theoretical guarantees, we apply sketching to a molecular dynamics simulation of methanol and find that the estimate of spectral density is 90% accurate using only 10% of the data.
Abstract（参考訳）: スケッチング(Sketching)は、データの幾何学的構造を保存し、高次元回帰、低階近似、グラフスペーシングに応用する確率次元還元法である。本研究では,スケッチを用いてシミュレーションデータを圧縮し,時間自己相関とパワースペクトル密度を正確に推定できることを示す。与えられた圧縮比では、従来知られていた方法よりもはるかに精度が高い。理論的保証に加えて,メタノールの分子動力学シミュレーションにスケッチ法を適用し,10%のデータを用いて90%の精度でスペクトル密度を推定できることを確認した。

関連論文リスト

Density Estimation via Binless Multidimensional Integration [45.21975243399607]
非パラメトリック、ロバスト、およびデータ効率の高い密度推定のためのBinless Multidimensional Thermodynamic Integration (BMTI)法を提案する。 BMTIは、近隣のデータポイント間の対数密度差を計算し、その密度の対数を推定する。この方法は様々な複雑な合成高次元データセットでテストされ、化学物理学の文献から現実的なデータセットでベンチマークされる。
論文参考訳（メタデータ） (2024-07-10T23:45:20Z)
Implicit Manifold Gaussian Process Regression [49.0787777751317]
ガウス過程の回帰は、よく校正された不確実性推定を提供するために広く用いられている。これは、データが実際に存在する暗黙の低次元多様体のため、高次元データに苦しむ。本稿では,データ(ラベル付きおよびラベルなし)から直接暗黙構造を完全に微分可能な方法で推定できる手法を提案する。
論文参考訳（メタデータ） (2023-10-30T09:52:48Z)
Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文参考訳（メタデータ） (2023-06-05T21:08:34Z)
Learning Gaussian Mixtures Using the Wasserstein-Fisher-Rao Gradient Flow [12.455057637445174]
ガウス混合モデルを用いて非パラメトリック最大推定器(NPMLE)を計算するための新しいアルゴリズムを提案する。この手法は、ワッサーシュタイン-フィッシャー-ラオ幾何学を備えた確率測度空間上の勾配降下に基づく。提案アルゴリズムの有効性を確認するため,広範囲な数値実験を行った。
論文参考訳（メタデータ） (2023-01-04T18:59:35Z)
Hyperspherical Loss-Aware Ternary Quantization [12.90416661059601]
画像分類と物体検出の両タスクにおいて, 3次量子化の精度を大幅に向上できることを示す。実験結果から,3次量子化の精度は画像分類と物体検出の両方において向上することが示された。
論文参考訳（メタデータ） (2022-12-24T04:27:01Z)
Quantum Adaptive Fourier Features for Neural Density Estimation [0.0]
本稿では,カーネル密度推定の一種とみなすニューラル密度推定法を提案する。この方法は密度行列、量子力学で使われる形式主義、適応フーリエ特徴に基づいている。本手法は, 異なる合成および実データを用いて評価し, その性能を最先端のニューラル密度推定法と比較した。
論文参考訳（メタデータ） (2022-08-01T01:39:11Z)
Condensing Graphs via One-Step Gradient Matching [50.07587238142548]
ネットワーク重みを訓練せずに1ステップのみの勾配マッチングを行う1ステップ勾配マッチング方式を提案する。我々の理論的分析は、この戦略が実際のグラフの分類損失を減少させる合成グラフを生成することができることを示している。特に、元のパフォーマンスの最大98%を近似しながら、データセットサイズを90%削減することが可能です。
論文参考訳（メタデータ） (2022-06-15T18:20:01Z)
Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文参考訳（メタデータ） (2021-04-05T21:44:00Z)
Improving Nonparametric Density Estimation with Tensor Decompositions [14.917420021212912]
非パラメトリック密度推定器は、しばしば低次元データに対してよく機能するが、高次元データに適用すると苦しむ。本稿では、これらの改善が他の単純化された依存前提にまで拡張できるかどうかを考察する。多次元ヒストグラムにおける低ランク非負のPARAFACやTucker分解に対する推定の制限は、ビン幅速度の次元指数を除去することを示す。
論文参考訳（メタデータ） (2020-10-06T01:39:09Z)
Precise expressions for random projections: Low-rank approximation and randomized Newton [63.68433510953756]
マトリックススケッチは、そのような次元削減を非常に効率的に行うための強力な技術として登場した。本研究では,スケッチによって得られたランダムな投影行列の予測値に対して,確率的に正確な表現を提供する手法を開発した。これらの表現は、様々な機械学習タスクにおける次元削減のパフォーマンスを特徴付けるのに使うことができる。
論文参考訳（メタデータ） (2020-06-18T16:23:00Z)
Fast approximations in the homogeneous Ising model for use in scene analysis [61.0951285821105]
我々は、推論に必要な量を数値計算できる正確な近似を提供する。近似式はスケーラブルでマルコフランダム場の大きさに満足できないことを示す。機能的磁気共鳴イメージングアクティベーション検出実験においてベイズ推論を行い, ピスタチオ樹収量の年次増加の空間パターンにおける異方性に対する確率比試験を行った。
論文参考訳（メタデータ） (2017-12-06T14:24:34Z)

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。