Fugu-MT 論文翻訳(概要): Mean Field Game GAN

論文の概要: Mean Field Game GAN

arxiv url: http://arxiv.org/abs/2103.07855v1
Date: Sun, 14 Mar 2021 06:34:38 GMT
ステータス: 処理完了
システム内更新日: 2021-03-16 14:03:09.177298
Title: Mean Field Game GAN
Title（参考訳）: 平均フィールドゲームGAN
Authors: Shaojun Ma, Haomin Zhou, Hongyuan Zha
Abstract要約: 新規な平均フィールドゲーム (MFGs) ベースのGAN (generation adversarial network) フレームワークを提案する。密度空間における Hopf 式を利用して MFG を主双対問題として書き換え、ニューラルネットワークやサンプルを通じてモデルを訓練できるようにします。
参考スコア（独自算出の注目度）: 55.445402222849474
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel mean field games (MFGs) based GAN(generative adversarial network) framework. To be specific, we utilize the Hopf formula in density space to rewrite MFGs as a primal-dual problem so that we are able to train the model via neural networks and samples. Our model is flexible due to the freedom of choosing various functionals within the Hopf formula. Moreover, our formulation mathematically avoids Lipschitz-1 constraint. The correctness and efficiency of our method are validated through several experiments.
Abstract（参考訳）: 新規な平均フィールドゲーム (MFGs) ベースのGAN (generation adversarial network) フレームワークを提案する。具体的には、密度空間における Hopf 式を用いて MFG を主双対問題として書き換え、ニューラルネットワークやサンプルを通じてモデルを訓練できるようにします。私たちのモデルは、ホップ式内の様々な機能を選択する自由のために柔軟です。さらに、私達の公式は数学的にLipschitz-1の制約を避けます。本手法の正確性と効率は,いくつかの実験により検証された。

関連論文リスト

Hopfield-Fenchel-Young Networks: A Unified Framework for Associative Memory Retrieval [25.841394444834933]
ホップフィールドネットワークのような連想記憶モデルは、メモリ容量の進歩とトランスフォーマーにおける自己注意とのつながりにより、新たな関心を集めている。本研究では,これらのモデルをより広範なエネルギー関数群に一般化する統合フレームワークであるHopfield-Fenchel-Youngネットワークを導入する。
論文参考訳（メタデータ） (2024-11-13T13:13:07Z)
Score-fPINN: Fractional Score-Based Physics-Informed Neural Networks for High-Dimensional Fokker-Planck-Levy Equations [24.86574584293979]
非ブラウン過程のモデリングにおいて、Fokker-Planck-L'evy(FPL)方程式の高次元解法を提案する。分数点関数と物理インフォームドニューラルネットワーク(PINN)を用いて,次元性(CoD)の呪いを解き放ち,指数関数的に崩壊する解からの数値オーバーフローを軽減する。
論文参考訳（メタデータ） (2024-06-17T15:57:23Z)
Learning Discrete-Time Major-Minor Mean Field Games [61.09249862334384]
本稿では,M3FG(Major-minor MFG)の新たな離散時間バージョンと,実演に基づく学習アルゴリズムを提案する。 M3FGは一般的な雑音でMFGを一般化し、ランダムな異種環境状態だけでなく、メジャープレイヤーも扱える。
論文参考訳（メタデータ） (2023-12-17T18:22:08Z)
Diffusion models for probabilistic programming [56.47577824219207]
拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
論文参考訳（メタデータ） (2023-11-01T12:17:05Z)
NPEFF: Non-Negative Per-Example Fisher Factorization [52.44573961263344]
エンド・ツー・エンドの微分可能モデルに容易に適用可能な,NPEFFと呼ばれる新しい解釈可能性手法を提案する。我々はNPEFFが言語モデルと視覚モデルの実験を通して解釈可能なチューニングを持つことを実証した。
論文参考訳（メタデータ） (2023-10-07T02:02:45Z)
Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文参考訳（メタデータ） (2022-12-02T05:07:50Z)
Bridging Mean-Field Games and Normalizing Flows with Trajectory Regularization [11.517089115158225]
平均場ゲーム(MFG)は、多数の相互作用エージェントを持つシステムのモデリングフレームワークである。正規化フロー(NFs)は、可逆写像を用いてデータ可能性を計算する深層生成モデルのファミリーである。本研究では,NF の学習を MFG の解法としてコンテキスト化することにより,MFG と NF の関係を明らかにする。
論文参考訳（メタデータ） (2022-06-30T02:44:39Z)
Normalizing Field Flows: Solving forward and inverse stochastic differential equations using Physics-Informed flow model [8.455584500599807]
本研究では,散乱測定からランダム場を学習する場流の正規化(NFF)について紹介する。我々は、非ガウス過程、混合ガウス過程、前方および逆偏微分方程式を学習するためのNFFモデルの有効性を実証する。
論文参考訳（メタデータ） (2021-08-30T01:58:01Z)
Learning High-Dimensional Distributions with Latent Neural Fokker-Planck Kernels [67.81799703916563]
低次元潜在空間におけるフォッカー・プランク方程式の解法として問題を定式化する新しい手法を導入する。提案モデルでは,潜在分散モーフィング,ジェネレータ,パラメータ化Fokker-Planckカーネル関数からなる。
論文参考訳（メタデータ） (2021-05-10T17:42:01Z)
Alternating the Population and Control Neural Networks to Solve High-Dimensional Stochastic Mean-Field Games [9.909883019034613]
我々は平均フィールドゲーム(MFG)を解くための交互人口とエージェント制御ニューラルネットワークを提案する。提案アルゴリズムは,既存の解法に到達できないMFGの高次元例を対象としている。最大100次元MFG問題に対する本手法の可能性を示す。
論文参考訳（メタデータ） (2020-02-24T08:24:52Z)

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。