Fugu-MT 論文翻訳(概要): GANplifying Event Samples

論文の概要: GANplifying Event Samples

arxiv url: http://arxiv.org/abs/2008.06545v3
Date: Thu, 25 Mar 2021 17:34:25 GMT
ステータス: 処理完了
システム内更新日: 2022-10-30 17:57:22.746884
Title: GANplifying Event Samples
Title（参考訳）: GANplifyingイベントサンプル
Authors: Anja Butter, Sascha Diefenbacher, Gregor Kasieczka, Benjamin Nachman, and Tilman Plehn
Abstract要約: 生成ネットワークがいかにトレーニング統計を増幅するかを示す。サンプルイベントの増幅係数または等価数を用いて、それらの影響を定量化する。本稿では,素粒子物理学における事象発生に応用した生成ネットワークについて述べる。
参考スコア（独自算出の注目度）: 1.3375143521862154
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A critical question concerning generative networks applied to event generation in particle physics is if the generated events add statistical precision beyond the training sample. We show for a simple example with increasing dimensionality how generative networks indeed amplify the training statistics. We quantify their impact through an amplification factor or equivalent numbers of sampled events.
Abstract（参考訳）: 素粒子物理学における事象生成に適用される生成ネットワークに関する重要な問題は、生成した事象がトレーニングサンプルを超える統計的精度を付加するかどうかである。生成ネットワークが実際にトレーニング統計を増幅する方法の次元性を高めるための簡単な例を示す。サンプルイベントの増幅係数または等価数を用いて、それらの影響を定量化する。

関連論文リスト

Flow Annealed Importance Sampling Bootstrap meets Differentiable Particle Physics [3.430001962400887]
Flow Annealed importance sample Bootstrap (FAB) に基づくアプローチを採用し、トレーニング中に異なるターゲット密度を評価する。その結果,FABのサンプリング効率は,他の手法と比較して高次元でのターゲット評価が少なくなった。
論文参考訳（メタデータ） (2024-11-25T09:48:11Z)
Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
論文参考訳（メタデータ） (2024-03-05T01:46:50Z)
Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文参考訳（メタデータ） (2024-01-17T07:58:18Z)
User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文参考訳（メタデータ） (2023-06-13T03:42:03Z)
Variational Neural Temporal Point Process [22.396329275957996]
時間的ポイントプロセスは、どのイベントが発生するか、いつ発生するかを予測するプロセスである。推論と生成ネットワークを導入し、潜伏変数の分布をトレーニングし、ディープニューラルネットワーク上の特性に対処する。我々は,これらのモデルが様々なイベントの表現を一般化できることを実証的に実証した。
論文参考訳（メタデータ） (2022-02-17T13:34:30Z)
Statistical prediction of extreme events from small datasets [6.85316573653194]
乱流中の極端な事象の統計を予測するために,Echo State Networks (ESNs) を訓練する。ネットワークが小さな不完全なデータセットから外挿でき、イベントを記述するヘビーテール統計を予測できるかどうかを評価する。
論文参考訳（メタデータ） (2022-01-20T16:58:51Z)
Diverse Sample Generation: Pushing the Limit of Data-free Quantization [85.95032037447454]
本稿では,データ不要なポストトレーニング量子化と量子化学習のための汎用的な2次サンプル生成手法を提案する。大規模な画像分類タスクでは、DSGは既存のデータ自由量子化手法より一貫して優れている。
論文参考訳（メタデータ） (2021-09-01T07:06:44Z)
Estimating informativeness of samples with Smooth Unique Information [108.25192785062367]
サンプルが最終的な重みを知らせる量と、重みによって計算される関数を知らせる量を測定します。線形化ネットワークを用いてこれらの量の効率的な近似を行う。本稿では,データセットの要約など,いくつかの問題に適用する。
論文参考訳（メタデータ） (2021-01-17T10:29:29Z)
Event Cause Analysis in Distribution Networks using Synchro Waveform Measurements [2.3780731536926165]
本稿では,配信ネットワークにおける状況認識を高めるために,事象原因分析のための機械学習手法を提案する。提案手法は,機械学習,畳み込みニューラルネットワーク(CNN)に基づく。
論文参考訳（メタデータ） (2020-08-25T01:25:59Z)
Logistic Regression for Massive Data with Rare Events [4.09920839425892]
本稿では,レアイベントデータ(不均衡データ)のバイナリロジスティック回帰について検討する。希少なイベントデータ中の利用可能な情報は、完全なデータサンプルサイズではなく、イベント数の大きさであることを示す。
論文参考訳（メタデータ） (2020-06-01T03:09:49Z)
A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。