論文の概要: Natural Reweighted Wake-Sleep
- arxiv url: http://arxiv.org/abs/2008.06687v4
- Date: Wed, 14 Sep 2022 14:06:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 20:45:17.470404
- Title: Natural Reweighted Wake-Sleep
- Title（参考訳）: 自然再加重ウェイクリープ
- Authors: Csongor V\'arady (1), Riccardo Volpi (2) and Luigi Malag\`o (2) and
Nihat Ay (1) ((1) Institute for Data Science Foundations, Hamburg University
of Technology, Hamburg, Germany, (2) Transylvanian Institute of Neuroscience,
Cluj-Napoca, Romania)
- Abstract要約: ヘルムホルツ・マシンズ (Helmholtz Machines, HMs) は、2つのSBNからなる生成モデルのクラスである。
本稿では,Natural Reweighted Wake-Sleep (NRWS) と呼ばれる新しいアルゴリズムを提案する。
また,HMsに対して,フィッシャー情報行列の構造に近似を導入することなく,自然勾配を効率的に計算する方法を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Helmholtz Machines (HMs) are a class of generative models composed of two
Sigmoid Belief Networks (SBNs), acting respectively as an encoder and a
decoder. These models are commonly trained using a two-step optimization
algorithm called Wake-Sleep (WS) and more recently by improved versions, such
as Reweighted Wake-Sleep (RWS) and Bidirectional Helmholtz Machines (BiHM). The
locality of the connections in an SBN induces sparsity in the Fisher
Information Matrices associated to the probabilistic models, in the form of a
finely-grained block-diagonal structure. In this paper we exploit this property
to efficiently train SBNs and HMs using the natural gradient. We present a
novel algorithm, called Natural Reweighted Wake-Sleep (NRWS), that corresponds
to the geometric adaptation of its standard version. In a similar manner, we
also introduce Natural Bidirectional Helmholtz Machine (NBiHM). Differently
from previous work, we will show how for HMs the natural gradient can be
efficiently computed without the need of introducing any approximation in the
structure of the Fisher information matrix. The experiments performed on
standard datasets from the literature show a consistent improvement of NRWS and
NBiHM not only with respect to their non-geometric baselines but also with
respect to state-of-the-art training algorithms for HMs. The improvement is
quantified both in terms of speed of convergence as well as value of the
log-likelihood reached after training.
- Abstract（参考訳）: ヘルムホルツ・マシーンズ(Helmholtz Machines, HMs)は、2つのSBNで構成され、それぞれエンコーダとデコーダとして機能する生成モデルである。
これらのモデルは通常、wake-sleep (ws) と呼ばれる2段階最適化アルゴリズムで訓練され、最近では reweighted wake-sleep (rws) や bidirectional helmholtz machines (bihm) といった改良版で訓練されている。
SBNにおける接続の局所性は、確率的モデルに関連するフィッシャー情報行列の空間性を、きめ細かいブロック対角構造の形で誘導する。
本稿では,この特性を利用して,自然勾配を用いたSBNとHMを効率的に学習する。
本稿では,Natural Reweighted Wake-Sleep (NRWS) と呼ばれる新しいアルゴリズムを提案する。
同様に、Natural Bidirectional Helmholtz Machine (NBiHM)も導入する。
これまでの研究とは違って,フィッシャー情報行列の構造に近似を導入することなく,hms の自然勾配を効率的に計算できることを示す。
文献から得られた標準データセットで行った実験は、非幾何学的ベースラインだけでなく、HMの最先端トレーニングアルゴリズムについてもNRWSとNBiHMを一貫して改善したことを示している。
この改善は、収束速度とトレーニング後に到達したログライクな値の両方で定量化される。
関連論文リスト
- Thermodynamic Natural Gradient Descent [0.0]
自然勾配勾配勾配は1次法に類似した計算複雑性を持つことを示す。
ニューラルネットワークをトレーニングするためのハイブリッドディジタルアナログアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-22T16:47:03Z) - Projected Stochastic Gradient Descent with Quantum Annealed Binary Gradients [51.82488018573326]
重み付きニューラルネットワークのトレーニングに適した,新しいレイヤワイドオプティマイザであるQP-SBGDを提案する。
BNNは、深層学習モデルの計算要求とエネルギー消費を最小限の精度で削減する。
提案アルゴリズムは階層的に実装されており,リソース制限量子ハードウェア上での大規模ネットワークのトレーニングに適している。
論文 参考訳（メタデータ） (2023-10-23T17:32:38Z) - A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive
Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。
シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文 参考訳（メタデータ） (2022-11-16T00:11:04Z) - Recurrent Bilinear Optimization for Binary Neural Networks [58.972212365275595]
BNNは、実数値重みとスケールファクターの内在的双線型関係を無視している。
私たちの仕事は、双線形の観点からBNNを最適化する最初の試みです。
我々は、様々なモデルやデータセット上で最先端のBNNに対して印象的な性能を示す頑健なRBONNを得る。
論文 参考訳（メタデータ） (2022-09-04T06:45:33Z) - AdaBin: Improving Binary Neural Networks with Adaptive Binary Sets [27.022212653067367]
本稿では,重みとアクティベーションを共に1ビット値に分割したBNN(Binary Neural Networks)について検討する。
最適二元集合を適応的に得るために、AdaBin と呼ばれる単純で効果的なアプローチを提案する。
ベンチマークモデルとデータセットの実験結果は、提案されたAdaBinが最先端のパフォーマンスを達成可能であることを示している。
論文 参考訳（メタデータ） (2022-08-17T05:43:33Z) - Can we learn gradients by Hamiltonian Neural Networks? [68.8204255655161]
本稿では,勾配を学習するODEニューラルネットワークに基づくメタラーナを提案する。
提案手法は,LLUアクティベーションを最適化したMLMとMNISTデータセットにおいて,LSTMに基づくメタラーナーよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-10-31T18:35:10Z) - Spike time displacement based error backpropagation in convolutional
spiking neural networks [0.6193838300896449]
本稿では,STiDi-BPアルゴリズムを拡張し,より深く,畳み込み型アーキテクチャに応用する。
MNISTとFashion-MNISTの2つのベンチマークに基づく画像分類タスクの評価結果から,このアルゴリズムが深部SNNに適用可能であることを確認した。
後進パスで更新される実数値重みと、フィードフォワードプロセスで使用される2値重みと、その記号と2値重みの2つの重みを持つ畳み込みSNNを考える。
論文 参考訳（メタデータ） (2021-08-31T05:18:59Z) - Scalable Optimal Transport in High Dimensions for Graph Distances,
Embedding Alignment, and More [7.484063729015126]
最適輸送のためのコスト行列の2つの効率的な対数線形時間近似を提案する。
これらの近似は、複雑な高次元空間に対してもよく機能するエントロピー規則化OTに対する一般的な対数線形時間アルゴリズムを可能にする。
グラフ距離回帰のために,グラフニューラルネットワーク(GNN)と拡張シンクホーンを組み合わせたグラフトランスポートネットワーク(GTN)を提案する。
論文 参考訳（メタデータ） (2021-07-14T17:40:08Z) - A Bop and Beyond: A Second Order Optimizer for Binarized Neural Networks [0.0]
Binary Neural Networks (BNNs) の最適化は、実数値の重みをバイナライズ表現で近似することに依存している。
本稿では,第2の生モーメント推定を用いて第1の生モーメントを正規化し,しきい値との比較を行うアダム法と並行する手法を提案する。
提案した2つのバージョン – バイアス付きバージョンとバイアス修正バージョン – をそれぞれ独自のアプリケーションで提示する。
論文 参考訳（メタデータ） (2021-04-11T22:20:09Z) - DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。
本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。
提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
論文 参考訳（メタデータ） (2020-08-20T17:25:16Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
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。