Fugu-MT 論文翻訳(概要): Sampling using $SU(N)$ gauge equivariant flows

論文の概要: Sampling using $SU(N)$ gauge equivariant flows

arxiv url: http://arxiv.org/abs/2008.05456v2
Date: Fri, 18 Sep 2020 18:39:15 GMT
ステータス: 処理完了
システム内更新日: 2022-10-31 05:04:35.357670
Title: Sampling using $SU(N)$ gauge equivariant flows
Title（参考訳）: $SU(N)$ゲージ同変流を用いたサンプリング
Authors: Denis Boyda, Gurtej Kanwar, S\'ebastien Racani\`ere, Danilo Jimenez Rezende, Michael S. Albergo, Kyle Cranmer, Daniel C. Hackett, Phiala E. Shanahan
Abstract要約: 構築によりゲージ不変なSU(N)$格子ゲージ理論のフローベースサンプリングアルゴリズムを開発した。この手法は,単一$SU(N)$変数の分布のサンプル化と,$SU(2)$および$SU (3)$格子ゲージ理論のフローベース標本化に応用する。
参考スコア（独自算出の注目度）: 10.163463390007616
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We develop a flow-based sampling algorithm for $SU(N)$ lattice gauge theories that is gauge-invariant by construction. Our key contribution is constructing a class of flows on an $SU(N)$ variable (or on a $U(N)$ variable by a simple alternative) that respect matrix conjugation symmetry. We apply this technique to sample distributions of single $SU(N)$ variables and to construct flow-based samplers for $SU(2)$ and $SU(3)$ lattice gauge theory in two dimensions.
Abstract（参考訳）: 構成によりゲージ不変となるsu(n)$格子ゲージ理論のためのフローベースサンプリングアルゴリズムを開発した。私たちの重要な貢献は、行列共役対称性を尊重する$su(n)$変数(または単純な代替で$u(n)$変数)上にフローのクラスを構築することです。この手法を1つの$su(n)$変数のサンプル分布に適用し、2次元の$su(2)$と$su(3)$格子ゲージ理論のフローベースのスプライマーを構築する。

関連論文リスト

Scaling of symmetry-restricted quantum circuits [42.803917477133346]
本研究では、特殊ユニタリリー群 $SU(2N)$ の $mathcalMSU(2N)$, $mathcalM$-不変部分空間の性質について検討する。
論文参考訳（メタデータ） (2024-06-14T12:12:15Z)
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)
Collaborative non-parametric two-sample testing [55.98760097296213]
目標は、null仮説の$p_v = q_v$が拒否されるノードを特定することである。グラフ構造を効率的に活用する非パラメトリックコラボレーティブ2サンプルテスト(CTST)フレームワークを提案する。提案手法は,f-divergence Estimation, Kernel Methods, Multitask Learningなどの要素を統合する。
論文参考訳（メタデータ） (2024-02-08T14:43:56Z)
Effective Minkowski Dimension of Deep Nonparametric Regression: Function Approximation and Statistical Theories [70.90012822736988]
ディープ非パラメトリック回帰に関する既存の理論は、入力データが低次元多様体上にある場合、ディープニューラルネットワークは本質的なデータ構造に適応できることを示した。本稿では,$mathcalS$で表される$mathbbRd$のサブセットに入力データが集中するという緩和された仮定を導入する。
論文参考訳（メタデータ） (2023-06-26T17:13:31Z)
Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras from First Principles [55.41644538483948]
ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
論文参考訳（メタデータ） (2023-01-13T16:25:25Z)
Equivalence Between SE(3) Equivariant Networks via Steerable Kernels and Group Convolution [90.67482899242093]
近年, 入力の回転と変換において等価な3次元データに対して, ニューラルネットワークを設計するための幅広い手法が提案されている。両手法とその等価性を詳細に解析し,その2つの構成をマルチビュー畳み込みネットワークに関連付ける。また、同値原理から新しいTFN非線形性を導出し、実用的なベンチマークデータセット上でテストする。
論文参考訳（メタデータ） (2022-11-29T03:42:11Z)
Deformation Theory of Boltzmann Distributions [0.0]
我々は、$Psi$ と非正規化対数類似式の対応する族 $S_t$ に関する方程式を導出する。我々は、このアイデアを、定義したアクション $S_t$ をアクションの族に拡張し、正規化フローがボルツマン分布 $p_tau$ を学習する時よりも、より優れた結果をもたらすような $tau$ を見つけることによって、$phi4$ 格子場理論上の実用性を実証する。
論文参考訳（メタデータ） (2022-10-25T05:20:07Z)
Approximate Function Evaluation via Multi-Armed Bandits [51.146684847667125]
既知の滑らかな関数 $f$ の値を未知の点 $boldsymbolmu in mathbbRn$ で推定する問題について検討する。我々は、各座標の重要性に応じてサンプルを学習するインスタンス適応アルゴリズムを設計し、少なくとも1-delta$の確率で$epsilon$の正確な推定値である$f(boldsymbolmu)$を返す。
論文参考訳（メタデータ） (2022-03-18T18:50:52Z)
Machine learning a manifold [0.0]
人工ニューラルネットワークによる回帰によるデータセットの連続リー代数対称性の同定法を提案する。我々の提案は、入力変数上の無限小対称性変換の下での出力変数のスケーリングを$mathcalO(epsilon2)$に活用する。
論文参考訳（メタデータ） (2021-12-14T19:00:00Z)
$k$-Variance: A Clustered Notion of Variance [23.57925128327]
我々は,ランダム二成分マッチングの機構に基づく分散の一般化である $k$-variance を導入する。 1次元測度、クラスター測度、低次元部分集合に集中した測度など、いくつかの重要な場合において、この量の詳細分析を行う。
論文参考訳（メタデータ） (2020-12-13T04:25:32Z)

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。