Fugu-MT 論文翻訳(概要): Hierarchical clustering in particle physics through reinforcement learning

論文の概要: Hierarchical clustering in particle physics through reinforcement learning

arxiv url: http://arxiv.org/abs/2011.08191v2
Date: Fri, 18 Dec 2020 09:39:44 GMT
ステータス: 処理完了
システム内更新日: 2022-09-24 23:58:50.354945
Title: Hierarchical clustering in particle physics through reinforcement learning
Title（参考訳）: 強化学習による粒子物理学の階層的クラスタリング
Authors: Johann Brehmer, Sebastian Macaluso, Duccio Pappadopulo, Kyle Cranmer
Abstract要約: ニューラルネットワークによって誘導されるモンテカルロ木探索は,高品質な階層的クラスタリングを構築することができ,確立された欲求とビームサーチベースラインを上回っていることを示す。
参考スコア（独自算出の注目度）: 9.592700241090204
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Particle physics experiments often require the reconstruction of decay patterns through a hierarchical clustering of the observed final-state particles. We show that this task can be phrased as a Markov Decision Process and adapt reinforcement learning algorithms to solve it. In particular, we show that Monte-Carlo Tree Search guided by a neural policy can construct high-quality hierarchical clusterings and outperform established greedy and beam search baselines.
Abstract（参考訳）: 粒子物理学の実験は、しばしば観測された最終状態粒子の階層的クラスタリングを通して崩壊パターンの再構築を必要とする。このタスクをマルコフ決定プロセスとして表現し,強化学習アルゴリズムを適用して解くことができることを示す。特に,ニューラルポリシーに導かれるモンテカルロ木探索は,高品質な階層的クラスタリングを構築し,確立された欲望およびビーム探索ベースラインを上回ることができることを示す。

関連論文リスト

From Logits to Hierarchies: Hierarchical Clustering made Simple [16.132657141993548]
事前訓練された非階層クラスタリングモデル上に実装された軽量なプロシージャは、階層クラスタリングに特化して設計されたモデルより優れていることを示す。提案手法は,微調整を必要とせず,ログを出力する事前学習クラスタリングモデルに適用可能である。
論文参考訳（メタデータ） (2024-10-10T12:27:45Z)
Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
論文参考訳（メタデータ） (2023-05-24T11:05:12Z)
A Novel Memetic Strategy for Optimized Learning of Classification Trees [0.0]
本稿では,数千点のデータセットを処理可能なメメカティックな手法を用いて,分類木を誘導するための新しい進化的アルゴリズムを提案する。提案手法は,実現可能な解空間の探索と局所探索を組み合わせることで,最先端手法と競合する一般化能力を持つ構造を得る。
論文参考訳（メタデータ） (2023-05-13T16:29:10Z)
Finding Alignments Between Interpretable Causal Variables and Distributed Neural Representations [62.65877150123775]
因果抽象化は、説明可能な人工知能のための有望な理論的枠組みである。既存の因果抽象法では、高レベルモデルと低レベルモデルの間のアライメントをブルートフォースで探索する必要がある。これらの制約を克服する分散アライメントサーチ(DAS)を提案する。
論文参考訳（メタデータ） (2023-03-05T00:57:49Z)
Towards Understanding Mixture of Experts in Deep Learning [95.27215939891511]
ニューラルネットワーク学習におけるMoE層の性能向上について検討する。この結果から,基礎となる問題のクラスタ構造と専門家の非線形性は,MoEの成功に欠かせないことが示唆された。
論文参考訳（メタデータ） (2022-08-04T17:59:10Z)
Towards understanding deep learning with the natural clustering prior [3.8073142980733]
この論文は、3つの文からなる自然クラスタリングの暗黙の統合について考察する。クラスを複数のクラスタに分解することで、教師なしのディープラーニングシステムは、教師なしクラスタリングの恩恵を受けることができ、適切な決定境界を定義することができる。我々は、深層ニューラルネットワークのニューロンレベルと層レベルの表現と同様に、トレーニングダイナミクスに関する広範な実証的研究を通じてこれを行ないます。
論文参考訳（メタデータ） (2022-03-15T18:07:37Z)
Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
論文参考訳（メタデータ） (2021-10-18T17:56:02Z)
Unsupervised Embedding of Hierarchical Structure in Euclidean Space [30.507049058838025]
我々は、集約アルゴリズムによって生成される階層的クラスタリングを改善する方法として、ユークリッド空間にデータの非線形埋め込みを学習することを検討する。遅延空間埋め込みの再スケーリングはデンドログラムの純度とモーゼリー・ワングのコスト関数の改善をもたらすことを示す。
論文参考訳（メタデータ） (2020-10-30T03:57:09Z)
Understanding Deep Architectures with Reasoning Layer [60.90906477693774]
本研究では,アルゴリズムの収束,安定性,感度といった特性が,エンドツーエンドモデルの近似と一般化能力と密接に関連していることを示す。私たちの理論は、深いアーキテクチャを推論層で設計するための有用なガイドラインを提供することができます。
論文参考訳（メタデータ） (2020-06-24T00:26:35Z)
Equivalence in Deep Neural Networks via Conjugate Matrix Ensembles [0.0]
ディープラーニングアーキテクチャの等価性を検出するための数値解析手法を開発した。経験的証拠は、ニューラルアーキテクチャのスペクトル密度とそれに対応する共役円形アンサンブルの差が消えているという現象を裏付けている。
論文参考訳（メタデータ） (2020-06-14T12:34:13Z)
Provably Efficient Exploration for Reinforcement Learning Using Unsupervised Learning [96.78504087416654]
強化学習(RL)問題における効率的な探索に教師なし学習を用い,本パラダイムが有効であるかどうかを考察する。本稿では,教師なし学習アルゴリズムと非線形表RLアルゴリズムという,2つのコンポーネント上に構築された汎用的なアルゴリズムフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-15T19:23:59Z)

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。