Fugu-MT 論文翻訳(概要): Interpretable and unsupervised phase classification

論文の概要: Interpretable and unsupervised phase classification

arxiv url: http://arxiv.org/abs/2010.04730v1
Date: Fri, 9 Oct 2020 18:00:02 GMT
ステータス: 処理完了
システム内更新日: 2023-04-29 13:21:40.966527
Title: Interpretable and unsupervised phase classification
Title（参考訳）: 解釈可能かつ教師なし位相分類
Authors: Julian Arnold, Frank Sch\"afer, Martin \v{Z}onda, and Axel U. J. Lode
Abstract要約: 本稿では,その最適予測を解析的導出により解釈可能な位相分類のための教師なし機械学習手法を提案する。平均入力特徴の差に依存するデータ駆動方式を提案し,適用する。一例として、スピンレスのファリコフ・キンボールモデルの物理的にリッチな基底状態相図を考える。
参考スコア（独自算出の注目度）: 0.06999740786886534
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fully automated classification methods that yield direct physical insights into phase diagrams are of current interest. Here, we demonstrate an unsupervised machine learning method for phase classification which is rendered interpretable via an analytical derivation of its optimal predictions and allows for an automated construction scheme for order parameters. Based on these findings, we propose and apply an alternative, physically-motivated, data-driven scheme which relies on the difference between mean input features. This mean-based method is computationally cheap and directly interpretable. As an example, we consider the physically rich ground-state phase diagram of the spinless Falicov-Kimball model.
Abstract（参考訳）: 位相図への直接的な物理的洞察をもたらす完全な自動分類手法が、現在関心を集めている。本稿では,その最適予測の解析的導出によって解釈可能な位相分類のための教師なし機械学習手法を示し,順序パラメータの自動構築手法を提案する。これらの結果に基づき,平均入力特徴の差異に依存する,物理的に動機づけられたデータ駆動スキームを提案し,適用する。この平均的手法は計算的に安価で直接解釈可能である。一例として、スピンレスのファリコフ・キンボールモデルの物理的にリッチな基底状態相図を考える。

関連論文リスト

Stable Attractors for Neural networks classification via Ordinary Differential Equations (SA-nODE) [0.9786690381850358]
プリオリは、予め割り当てられた固定安定なアトラクタのセットに対応するように構成されている。分類を行う固有の能力は、ターゲットの安定なアトラクションのそれぞれに関連するアトラクションの形状の盆地に反映される。この手法は最先端のディープラーニングアルゴリズムの性能には達しないが、解析的相互作用項を閉じた連続力学系が高性能な分類器として機能することを示す。
論文参考訳（メタデータ） (2023-11-17T08:30:41Z)
Probabilistic Safety Regions Via Finite Families of Scalable Classifiers [2.431537995108158]
監視された分類は、データのパターンを認識して、振る舞いのクラスを分離する。正準解は、機械学習の数値近似の性質に固有の誤分類誤差を含む。本稿では,確率論的安全性領域の概念を導入し,入力空間のサブセットとして,誤分類されたインスタンスの数を確率論的に制御する手法を提案する。
論文参考訳（メタデータ） (2023-09-08T22:40:19Z)
From system models to class models: An in-context learning paradigm [0.0]
本稿では,1段階の予測と複数段階のシミュレーションという2つの主要な課題に対処する,システム識別のための新しいパラダイムを提案する。動的システムのクラスを表すメタモデルを学ぶ。一段階の予測では、GPTのようなデコーダのみのアーキテクチャを使用し、シミュレーション問題ではエンコーダ-デコーダ構造を用いる。
論文参考訳（メタデータ） (2023-08-25T13:50:17Z)
Mapping out phase diagrams with generative classifiers [0.0]
多体物理学における中心的な課題の1つは位相図の決定である。位相分類問題は生成的分類器を用いて解くのが自然に適切であることを示す。これは、人間の監督がほとんど、あるいは全くないフェーズダイアグラムを自律的に決定するための強力なフレームワークにつながります。
論文参考訳（メタデータ） (2023-06-26T17:59:29Z)
Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文参考訳（メタデータ） (2022-11-30T05:33:29Z)
Evaluating Disentanglement in Generative Models Without Knowledge of Latent Factors [71.79984112148865]
本稿では,学習中に提示される学習力学に基づいて生成モデルのランキング付けを行う手法を提案する。本手法は,近年の解離の理論的特徴から着想を得たものであり,その根底にある潜伏因子の監督は不要である。
論文参考訳（メタデータ） (2022-10-04T17:27:29Z)
Analyzing Transformers in Embedding Space [59.434807802802105]
学習したトランスフォーマーの全てのパラメータを埋め込み空間に投影することで解釈する理論解析を提案する。予め訓練されたモデルと微調整されたモデルの両方のパラメータを埋め込み空間で解釈できることを示す。我々の発見は、少なくとも部分的には、モデル仕様から抽象化し、埋め込み空間でのみ動作する解釈手法への扉を開く。
論文参考訳（メタデータ） (2022-09-06T14:36:57Z)
MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文参考訳（メタデータ） (2022-05-31T04:57:06Z)
Unsupervised and supervised learning of interacting topological phases from single-particle correlation functions [0.0]
本研究では、教師なしおよび教師なしの機械学習技術が、解決可能なモデルのデータに基づいて訓練された場合、正確には解決不可能なモデルのフェーズを予測することができることを示す。特に,非相互作用量子ワイヤの単一粒子相関関数を用いたトレーニングセットを用いる。非相互作用モデルのデータに基づいてトレーニングされた主成分分析と畳み込みニューラルネットワークの両方が、相互作用モデルの位相位相を高い精度で識別できることを示す。
論文参考訳（メタデータ） (2022-02-18T16:02:29Z)
Distilling Interpretable Models into Human-Readable Code [71.11328360614479]
人間可読性は機械学習モデル解釈可能性にとって重要で望ましい標準である。従来の方法を用いて解釈可能なモデルを訓練し,それを簡潔で可読なコードに抽出する。本稿では,幅広いユースケースで効率的に,確実に高品質な結果を生成する分別線形曲線フィッティングアルゴリズムについて述べる。
論文参考訳（メタデータ） (2021-01-21T01:46:36Z)
Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文参考訳（メタデータ） (2020-12-07T14:16:14Z)

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。