論文の概要: High-dimensional inference: a statistical mechanics perspective

• arxiv url: http://arxiv.org/abs/2010.14863v1
• Date: Wed, 28 Oct 2020 10:17:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 06:37:38.343105
• Title: High-dimensional inference: a statistical mechanics perspective
• Title（参考訳）: 高次元推論:統計力学の観点から
• Authors: Jean Barbier
• Abstract要約: 統計的推論は、データから何らかのシステムに関する結論を導き出す科学である。 現在、推論と統計物理学の間には多くの関係があることは明らかである。 この記事は、イタリアの科学雑誌「イタカ」の人工知能に関する号に掲載されている。
• 参考スコア（独自算出の注目度）: 11.532173708183166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Statistical inference is the science of drawing conclusions about some system from data. In modern signal processing and machine learning, inference is done in very high dimension: very many unknown characteristics about the system have to be deduced from a lot of high-dimensional noisy data. This "high-dimensional regime" is reminiscent of statistical mechanics, which aims at describing the macroscopic behavior of a complex system based on the knowledge of its microscopic interactions. It is by now clear that there are many connections between inference and statistical physics. This article aims at emphasizing some of the deep links connecting these apparently separated disciplines through the description of paradigmatic models of high-dimensional inference in the language of statistical mechanics. This article has been published in the issue on artificial intelligence of Ithaca, an Italian popularization-of-science journal. The selected topics and references are highly biased and not intended to be exhaustive in any ways. Its purpose is to serve as introduction to statistical mechanics of inference through a very specific angle that corresponds to my own tastes and limited knowledge.
• Abstract（参考訳）: 統計的推論は、データからシステムに関する結論を引き出す科学である。 現代の信号処理と機械学習では、推論は非常に高次元で行われており、システムに関する非常に多くの未知の特性を高次元ノイズデータから推定する必要がある。 この「高次元の体制」は、その微視的な相互作用の知識に基づいて複雑なシステムのマクロな振る舞いを記述することを目的とした統計力学を思い起こさせる。 現在、推論と統計物理学の間には多くの関係があることは明らかである。 本稿では、統計力学の言語における高次元推論のパラダイムモデルの記述を通じて、これらの明らかに分離された分野を結び付ける深いリンクのいくつかを強調することを目的とする。 この記事は、イタリアの科学の大衆化に関する雑誌、ithacaの人工知能に関する記事に載っている。 選択されたトピックや参照は非常に偏りがあり、いかなる方法でも徹底的ではない。 その目的は、私の好みと限られた知識に対応する非常に特定の角度を通じて推論の統計力学の導入である。

関連論文リスト

• Unified Explanations in Machine Learning Models: A Perturbation Approach [0.0]
  XAIとモデリング技術の不整合は、これらの説明可能性アプローチの有効性に疑念を投げかけるという望ましくない効果をもたらす可能性がある。 我々はXAI, SHapley Additive exPlanations (Shap) において, 一般的なモデルに依存しない手法に対する系統的摂動解析を提案する。 我々は、一般的な機械学習とディープラーニングの手法のスイートと、静的ケースホールドで生成された説明の正確さを定量化するためのメトリクスの中で、動的推論の設定において、相対的な特徴重要度を生成するアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2024-05-30T16:04:35Z)
• Large Language Models for Scientific Synthesis, Inference and Explanation [56.41963802804953]
  大規模言語モデルがどのように科学的合成、推論、説明を行うことができるかを示す。 我々は,この「知識」を科学的文献から合成することで,大きな言語モデルによって強化できることを示す。 このアプローチは、大きな言語モデルが機械学習システムの予測を説明することができるというさらなる利点を持っている。
  論文  参考訳（メタデータ） (2023-10-12T02:17:59Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Statistical inference as Green's functions [0.0]
  統計的推論は、交換可能な二進確率変数の長い列に対して厳密な科学的記述を持つことを示す。 我々の発見は科学における規範的で基礎的な問題に対する答えであり、その重要性はあらゆる純粋で応用された分野において遠く及ばない。
  論文  参考訳（メタデータ） (2022-05-23T14:51:32Z)
• Quantifying Relevance in Learning and Inference [0.0]
  関連性」概念に基づく理解学習の最近の進歩を概観する。 これらはサンプルと機械の理想的な限界であり、未知の生成過程に関する情報の最大量を含んでいる。 最大情報的サンプルは、異常に大きな感受性によって、パワー・ローの周波数分布(統計的臨界)と最適学習機によって特徴づけられる。
  論文  参考訳（メタデータ） (2022-02-01T11:16:04Z)
• Emergence of Machine Language: Towards Symbolic Intelligence with Neural Networks [73.94290462239061]
  本稿では、ニューラルネットワークを用いてシンボルとコネクショナリズムの原理を組み合わせることで、離散表現を導出することを提案する。 対話型環境とタスクを設計することにより、機械が自発的で柔軟でセマンティックな言語を生成できることを実証した。
  論文  参考訳（メタデータ） (2022-01-14T14:54:58Z)
• Ranking the information content of distance measures [61.754016309475745]
  2つの異なる距離測度を用いて保持する相対的情報を評価する統計的テストを導入する。 これにより、候補者のプールから最も情報に富んだ距離を測定することができる。
  論文  参考訳（メタデータ） (2021-04-30T15:57:57Z)
• Dominant motion identification of multi-particle system using deep learning from video [0.0]
  本研究では,高度システムの実世界映像から関連情報を抽出するディープラーニングフレームワークを提案する。 本手法は,アリ,シロアリ,魚の閉じ込められた多エージェント/粒子系のビデオで実証する。 さらに,これらの多様なシステムがどのようにして基礎となる振る舞いを予測できるかを考察する。
  論文  参考訳（メタデータ） (2021-04-26T17:10:56Z)
• Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
  コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。 本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。 このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
  論文  参考訳（メタデータ） (2021-03-18T12:57:34Z)
• Living in the Physics and Machine Learning Interplay for Earth Observation [7.669855697331746]
  推論は変数の関係を理解し、物理的に解釈可能なモデルを導出することを意味する。 機械学習モデルだけでも優れた近似器であるが、物理学の最も基本的な法則を尊重しないことが多い。 これは、地球系の知識を発見できるアルゴリズムを開発し、適用するための、長期的なAIの集合的なアジェンダである。
  論文  参考訳（メタデータ） (2020-10-18T16:58:20Z)
• Gaussian Process States: A data-driven representation of quantum many-body physics [59.7232780552418]
  我々は、絡み合った多体量子状態をコンパクトに表現するための、新しい非パラメトリック形式を示す。 この状態は、非常にコンパクトで、体系的に即効性があり、サンプリングに効率的である。 また、量子状態に対する普遍的な近似器として証明されており、データセットのサイズが大きくなるにつれて、絡み合った多体状態も捉えることができる。
  論文  参考訳（メタデータ） (2020-02-27T15:54:44Z)

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。