Fugu-MT 論文翻訳(概要): Reverse Derivative Ascent: A Categorical Approach to Learning Boolean Circuits

論文の概要: Reverse Derivative Ascent: A Categorical Approach to Learning Boolean Circuits

arxiv url: http://arxiv.org/abs/2101.10488v1
Date: Tue, 26 Jan 2021 00:07:20 GMT
ステータス: 処理完了
システム内更新日: 2021-03-13 19:44:49.730834
Title: Reverse Derivative Ascent: A Categorical Approach to Learning Boolean Circuits
Title（参考訳）: Reverse Derivative Ascent: ブール回路の学習におけるカテゴリ的アプローチ
Authors: Paul Wilson (University of Southampton), Fabio Zanasi (University College London)
Abstract要約: Reverse Derivative Ascentは、機械学習のためのグラデーションベースのメソッドのカテゴリアナログです。我々のモチベーションは逆回路であり、逆微分圏の理論を用いてアルゴリズムをそのような回路に適用する方法を示す。ベンチマーク機械学習データセットに関する実験結果を提供することで,その実証的価値を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce Reverse Derivative Ascent: a categorical analogue of gradient based methods for machine learning. Our algorithm is defined at the level of so-called reverse differential categories. It can be used to learn the parameters of models which are expressed as morphisms of such categories. Our motivating example is boolean circuits: we show how our algorithm can be applied to such circuits by using the theory of reverse differential categories. Note our methodology allows us to learn the parameters of boolean circuits directly, in contrast to existing binarised neural network approaches. Moreover, we demonstrate its empirical value by giving experimental results on benchmark machine learning datasets.
Abstract（参考訳）: Reverse Derivative Ascentは、機械学習のためのグラデーションベースのメソッドのカテゴリアナログです。我々のアルゴリズムは、いわゆる逆微分圏のレベルで定義される。それはそのようなカテゴリの同型として表現されるモデルのパラメータを学ぶために使用することができます。我々のモチベーションの例はブール回路(boolean circuits)であり、逆微分圏の理論を用いてアルゴリズムをそのような回路に適用する方法を示す。既存の二項化ニューラルネットワークのアプローチとは対照的に,本手法ではブール回路のパラメータを直接学習することができる。さらに、ベンチマーク機械学習データセットに実験結果を与えることで、その経験的価値を示す。