Fugu-MT 論文翻訳(概要): Generalised Perceptron Learning

論文の概要: Generalised Perceptron Learning

arxiv url: http://arxiv.org/abs/2012.03642v1
Date: Mon, 7 Dec 2020 12:49:53 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 20:54:34.955805
Title: Generalised Perceptron Learning
Title（参考訳）: 一般化パーセプトロン学習
Authors: Xiaoyu Wang, Martin Benning
Abstract要約: 本稿では,Rosenblattの従来のパーセプトロン学習アルゴリズムを近位活性化関数のクラスに一般化する。この解釈は、多くの新しいアルゴリズムの道を切り開き、スパースパーセプトロンの学習のための反復的なソフトスレッディングアルゴリズムの新しい変形を探索します。
参考スコア（独自算出の注目度）: 23.592657600394215
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a generalisation of Rosenblatt's traditional perceptron learning algorithm to the class of proximal activation functions and demonstrate how this generalisation can be interpreted as an incremental gradient method applied to a novel energy function. This novel energy function is based on a generalised Bregman distance, for which the gradient with respect to the weights and biases does not require the differentiation of the activation function. The interpretation as an energy minimisation algorithm paves the way for many new algorithms, of which we explore a novel variant of the iterative soft-thresholding algorithm for the learning of sparse perceptrons.
Abstract（参考訳）: ローゼンブラットの従来のパーセプトロン学習アルゴリズムを近位活性化関数のクラスに一般化し、この一般化を新しいエネルギー関数に適用した漸進勾配法として解釈する方法を実証する。この新しいエネルギー関数は一般化されたブレグマン距離に基づいており、重みやバイアスに対する勾配は活性化関数の微分を必要としない。エネルギー最小化アルゴリズムとしての解釈は、スパースパーセプトロンの学習のための反復型ソフトスレッディングアルゴリズムの新しい変種を探索する多くの新しいアルゴリズムの道を開く。

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)
Bregman-divergence-based Arimoto-Blahut algorithm [53.64687146666141]
本稿では,Arimoto-BlahutアルゴリズムをBregman-Diversergenceシステム上で定義された一般関数に一般化する。本稿では,古典的および量子速度歪み理論に適用可能な凸最適化自由アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-08-10T06:16:24Z)
Distributional Bellman Operators over Mean Embeddings [37.5480897544168]
本研究では,帰還分布の有限次元平均埋め込みを学習し,分布強化学習のための新しい枠組みを提案する。動的プログラミングと時間差学習のための新しいアルゴリズムをこのフレームワークに基づいて提案する。
論文参考訳（メタデータ） (2023-12-09T11:36:14Z)
A Compound Gaussian Least Squares Algorithm and Unrolled Network for Linear Inverse Problems [1.283555556182245]
本稿では,線形逆問題に対する2つの新しいアプローチを提案する。 1つ目は、正規化された最小二乗目的関数を最小化する反復アルゴリズムである。 2つ目は、反復アルゴリズムの「アンロール」または「アンフォールディング」に対応するディープニューラルネットワークである。
論文参考訳（メタデータ） (2023-05-18T17:05:09Z)
Exploring the role of parameters in variational quantum algorithms [59.20947681019466]
動的リー代数の階数を用いた変分量子回路のキャラクタリゼーションのための量子制御に着想を得た手法を提案する。有望な接続は、リーランク、計算されたエネルギーの精度、および所定の回路アーキテクチャを介して目標状態を達成するために必要な深さとの間のものである。
論文参考訳（メタデータ） (2022-09-28T20:24:53Z)
On the Activation Function Dependence of the Spectral Bias of Neural Networks [0.0]
ニューラルネットワークのスペクトルバイアスの観点から,この現象を考察する。本稿では,ReLUニューラルネットワークのスペクトルバイアスを有限要素法との接続を利用して理論的に説明する。我々は,Hatアクティベーション機能を持つニューラルネットワークが勾配降下とADAMを用いて大幅に高速にトレーニングされていることを示す。
論文参考訳（メタデータ） (2022-08-09T17:40:57Z)
Active Learning for Transition State Calculation [3.399187058548169]
遷移状態 (TS) の計算は、計算集約エネルギー関数にとって大きな課題である。真の勾配の高価な計算量を減らすために,能動的学習フレームワークを提案する。提案手法は, 原モデルの必要エネルギー数や力量評価を著しく削減することを示す。
論文参考訳（メタデータ） (2021-08-10T13:57:31Z)
Algorithm for initializing a generalized fermionic Gaussian state on a quantum computer [0.0]
本稿では Shi らによって開発された変分法の中心部分に対する明示的な表現について述べる。フェミオン生成およびサブルーチン演算子の積の期待値を評価するために反復解析式を導出する。本稿では,想像時間進化と組み合わせて最適化できる,単純な勾配差に基づくアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-05-27T10:31:45Z)
Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文参考訳（メタデータ） (2021-03-01T08:25:26Z)
Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文参考訳（メタデータ） (2021-01-08T18:55:07Z)
Learned Block Iterative Shrinkage Thresholding Algorithm for Photothermal Super Resolution Imaging [52.42007686600479]
深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
論文参考訳（メタデータ） (2020-12-07T09:27:16Z)

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。