論文の概要: Iterative Methods for Computing Eigenvectors of Nonlinear Operators
- arxiv url: http://arxiv.org/abs/2010.02890v1
- Date: Tue, 6 Oct 2020 17:16:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 08:07:56.424923
- Title: Iterative Methods for Computing Eigenvectors of Nonlinear Operators
- Title(参考訳): 非線形作用素の固有ベクトルの反復計算法
- Authors: Guy Gilboa
- Abstract要約: 近年,著者と同僚が共著した5つのアルゴリズムの進歩を示す。
このアルゴリズムは、連続時間領域における固有関数に収束する非線形PDEとして理解することができる。
非線形デノイザの先行性に関するいくつかの例や知見とともに, 結果の数値的評価方法を示す。
- 参考スコア(独自算出の注目度): 8.477619837043214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this chapter we are examining several iterative methods for solving
nonlinear eigenvalue problems. These arise in variational image-processing,
graph partition and classification, nonlinear physics and more. The canonical
eigenproblem we solve is $T(u)=\lambda u$, where $T:\R^n\to \R^n$ is some
bounded nonlinear operator. Other variations of eigenvalue problems are also
discussed. We present a progression of 5 algorithms, coauthored in recent years
by the author and colleagues. Each algorithm attempts to solve a unique problem
or to improve the theoretical foundations. The algorithms can be understood as
nonlinear PDE's which converge to an eigenfunction in the continuous time
domain. This allows a unique view and understanding of the discrete iterative
process. Finally, it is shown how to evaluate numerically the results, along
with some examples and insights related to priors of nonlinear denoisers, both
classical algorithms and ones based on deep networks.
- Abstract(参考訳): 本章では非線形固有値問題を解くための反復的手法について検討する。
これらは変分画像処理、グラフ分割と分類、非線形物理学などに現れる。
正準固有確率は$T(u)=\lambda u$, ここで$T:\R^n\to \R^n$は有界非線形作用素である。
その他の固有値問題の変種についても論じる。
近年,著者らによって共著された5つのアルゴリズムの進歩について述べる。
各アルゴリズムは、一意の問題を解決するか、理論の基礎を改善する。
このアルゴリズムは、連続時間領域における固有関数に収束する非線形PDEとして理解することができる。
これにより、離散反復過程のユニークなビューと理解が可能になる。
最後に、古典的アルゴリズムとディープネットワークに基づく非線形デノイザの先行に関するいくつかの例と知見とともに、結果を数値的に評価する方法を示す。
関連論文リスト
- The Differentiable Feasibility Pump [49.55771920271201]
本稿では,従来の実現可能性ポンプとその追随点の多くを,特定のパラメータを持つ勾配差アルゴリズムとみなすことができることを示す。
この再解釈の中心的な側面は、伝統的なアルゴリズムがそのコストに関して線形緩和の解を区別することを観察することである。
論文 参考訳(メタデータ) (2024-11-05T22:26:51Z) - On the Stability of a non-hyperbolic nonlinear map with non-bounded set of non-isolated fixed points with applications to Machine Learning [31.263649000946014]
本稿では,SUCPA(Semi Unsupervised through Prior Adaptation)アルゴリズムの収束解析について述べる。
収束解析は、アルゴリズムから導出される非線形写像の局所的および大域的安定性を研究することにより、力学系問題として対処される。
論文 参考訳(メタデータ) (2024-01-05T20:04:40Z) - Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。
最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
論文 参考訳(メタデータ) (2023-10-20T12:45:12Z) - A deep branching solver for fully nonlinear partial differential
equations [0.1474723404975345]
完全非線形PDEの数値解に対する分岐アルゴリズムの多次元深層学習実装を提案する。
このアプローチは、任意の順序の勾配項を含む機能的非線形性に取り組むように設計されている。
論文 参考訳(メタデータ) (2022-03-07T09:46:46Z) - Quantum homotopy perturbation method for nonlinear dissipative ordinary
differential equations [0.25782420501870296]
我々は$n$次元非線形散逸型常微分方程式(ODE)を解くための量子アルゴリズムを提案する。
我々のアルゴリズムは、最高の古典的アルゴリズムや以前の量子アルゴリズムを$n$または$epsilon$で指数関数的に改善する。
論文 参考訳(メタデータ) (2021-11-15T01:34:43Z) - Nonnegative Tensor Completion via Integer Optimization [5.932152752097064]
我々は,本アルゴリズムが情報理論速度を達成しつつ,線形(数値耐性)なオラクルステップ数に収束することを証明した。
ノルムは0-1ポリトープで定義されるので、これは整数線形計画法を用いてポリトープ上の線形分離問題を解くことができることを意味する。
論文 参考訳(メタデータ) (2021-11-08T15:43:19Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳(メタデータ) (2021-06-09T08:05:36Z) - Hybrid Trilinear and Bilinear Programming for Aligning Partially
Overlapping Point Sets [85.71360365315128]
多くの応用において、部分重なり合う点集合が対応するRPMアルゴリズムに不変であるようなアルゴリズムが必要である。
まず、目的が立方体有界関数であることを示し、次に、三線型および双線型単相変換の凸エンベロープを用いて、その下界を導出する。
次に、変換変数上の分岐のみを効率よく実行するブランチ・アンド・バウンド(BnB)アルゴリズムを開発する。
論文 参考訳(メタデータ) (2021-01-19T04:24:23Z) - Solving the functional Eigen-Problem using Neural Networks [0.0]
本研究では、通常の微分方程式の固有ペアを見つけるためのツールとして、NN(Neural Networks)の能力について検討する。
固有ペアはより堅牢であり、より複雑な問題を解く能力を持つ可能性がある。
論文 参考訳(メタデータ) (2020-07-20T15:41:22Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z) - Eigendecomposition-Free Training of Deep Networks for Linear
Least-Square Problems [107.3868459697569]
我々は、ディープネットワークのトレーニングに固有分解のないアプローチを導入する。
この手法は固有分解の明示的な微分よりもはるかに堅牢であることを示す。
我々の手法は収束特性が良く、最先端の結果が得られます。
論文 参考訳(メタデータ) (2020-04-15T04:29:34Z)
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。
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。