Fugu-MT 論文翻訳(概要): Automatic Differentiation via Effects and Handlers: An Implementation in Frank

論文の概要: Automatic Differentiation via Effects and Handlers: An Implementation in Frank

arxiv url: http://arxiv.org/abs/2101.08095v1
Date: Wed, 20 Jan 2021 12:34:25 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 06:18:01.074823
Title: Automatic Differentiation via Effects and Handlers: An Implementation in Frank
Title（参考訳）: 効果とハンドラーによる自動微分:Frankによる実装
Authors: Jesse Sigal
Abstract要約: 我々は、エフェクトハンドラで自動微分を実装することができ、それをフランク語で実行できることを示しています。 Frankのオペレーショナルセマンティクスでの実装がどのように振る舞うかを考えることで、評価中にプログラムが動的に作成される方法を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automatic differentiation (AD) is an important family of algorithms which enables derivative based optimization. We show that AD can be simply implemented with effects and handlers by doing so in the Frank language. By considering how our implementation behaves in Frank's operational semantics, we show how our code performs the dynamic creation of programs during evaluation.
Abstract（参考訳）: 自動微分(AD)は微分に基づく最適化を実現するアルゴリズムの重要なファミリーである。我々は、Frank言語で実施することで、ADをエフェクトとハンドラで簡単に実装できることを示します。実装がFrankのオペレーションセマンティクスでどのように振る舞うかを考慮し、評価中にプログラムを動的に生成する方法を示します。

関連論文リスト

Compositional Automata Embeddings for Goal-Conditioned Reinforcement Learning [3.919457128111751]
決定論的有限オートマトン(cDFAs)の合成を用いた時間目標の表現法を提案する。提案手法は,様々なcDFAタスククラスに対してゼロショットの一般化を可能にするとともに,階層的手法のミオピックな部分最適化を伴わずに,ポリシーの特殊化を促進できることを示す。
論文参考訳（メタデータ） (2024-10-31T20:56:07Z)
Unlearning as multi-task optimization: A normalized gradient difference approach with an adaptive learning rate [105.86576388991713]
正規化勾配差(NGDiff)アルゴリズムを導入し、目的間のトレードオフをよりよく制御できるようにする。本研究では,TOFUおよびMUSEデータセットにおける最先端の未学習手法において,NGDiffの優れた性能を実証的に実証し,理論的解析を行った。
論文参考訳（メタデータ） (2024-10-29T14:41:44Z)
Simulative Performance Analysis of an AD Function with Road Network Variation [0.0]
そこで本研究では,シナリオの集合を多変量で自動テストする手法を提案する。これらの変化は、ADF周辺の交通参加者には適用されないが、道路トポロジに関するパラメータがADFの性能に影響を及ぼすことを示すために、道路ネットワークに適用される。
論文参考訳（メタデータ） (2023-08-01T15:25:51Z)
Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
論文参考訳（メタデータ） (2023-06-20T03:00:22Z)
Federated Automatic Differentiation [9.572047285997378]
Federated Learning(FL)は、中央サーバのオーケストレーションの下で、データのプライバシを保持しながら、グループ分割されたデータ(異種クライアント)の軸を越えて学習するフレームワークである。本稿では,クライアントとサーバを対象とする関数の導関数の計算を可能にする,FAD(Federated Automatic differentiation)フレームワークを提案する。
論文参考訳（メタデータ） (2023-01-18T22:28:49Z)
Building an Efficiency Pipeline: Commutativity and Cumulativeness of Efficiency Operators for Transformers [68.55472265775514]
モデルに適用した演算子として効率性を考える。本稿では,このアイデアの妥当性と,効率作用素の可換性と累積性について検討する。
論文参考訳（メタデータ） (2022-07-31T18:01:06Z)
On Reinforcement Learning, Effect Handlers, and the State Monad [0.0]
本研究では,機能プログラムにおける意思決定抽象化を支援する手段として,エフェクトとハンドラについて検討する。我々は,これらの操作のハンドラセットとして実装された強化学習アルゴリズムとして,その基盤となるインテリジェンスを表現している。我々は、タイプとエフェクトハンドラがいかに安全性を確保できるかを示唆することで結論付けた。
論文参考訳（メタデータ） (2022-03-29T10:46:58Z)
Coarsening Optimization for Differentiable Programming [8.204668529766256]
粗い最適化は、象徴的分化とアルゴリズム的分化(AD)を相乗化するための体系的な方法を提供する粗大化の象徴的分化に制御フローが生み出す困難を回避するため、この研究はフィカルキュラスを導入している。実世界のアプリケーションの集合に関する実験では、粗大化最適化はADの高速化に有効であり、数倍から2桁のスピードアップを生み出すことが示されている。
論文参考訳（メタデータ） (2021-10-05T19:11:11Z)
Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
本稿では, 音素の効率的な微分可能シミュレーション法を提案する。これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
論文参考訳（メタデータ） (2021-09-16T04:48:13Z)
Hierarchical Variational Autoencoder for Visual Counterfactuals [79.86967775454316]
条件変量オート(VAE)は、説明可能な人工知能(XAI)ツールとして注目されている。本稿では, 後部の効果がいかに緩和され, 対物的効果が成功するかを示す。本稿では,アプリケーション内の分類器を視覚的に監査できる階層型VAEについて紹介する。
論文参考訳（メタデータ） (2021-02-01T14:07:11Z)
Efficient Learning of Generative Models via Finite-Difference Score Matching [111.55998083406134]
有限差分で任意の順序方向微分を効率的に近似する汎用戦略を提案する。我々の近似は関数評価にのみ関係しており、これは並列で実行でき、勾配計算は行わない。
論文参考訳（メタデータ） (2020-07-07T10:05:01Z)

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。