論文の概要: Generalization over different cellular automata rules learned by a deep
feed-forward neural network
- arxiv url: http://arxiv.org/abs/2103.14886v1
- Date: Sat, 27 Mar 2021 12:12:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-03 12:20:24.868525
- Title: Generalization over different cellular automata rules learned by a deep
feed-forward neural network
- Title(参考訳): ディープフィードフォワードニューラルネットワークによる異なるセルオートマトン規則の一般化
- Authors: Marcel Aach, Jens Henrik Goebbert, Jenia Jitsev
- Abstract要約: 短い範囲のスキップ接続を持つ深層畳み込みエンコーダ・デコーダネットワークを、様々な生成された軌道上で訓練し、次のCA状態を予測する。
その結果、ネットワークは様々な複雑なセルオートマトン規則を学習し、見えない構成に一般化できることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To test generalization ability of a class of deep neural networks, we
randomly generate a large number of different rule sets for 2-D cellular
automata (CA), based on John Conway's Game of Life. Using these rules, we
compute several trajectories for each CA instance. A deep convolutional
encoder-decoder network with short and long range skip connections is trained
on various generated CA trajectories to predict the next CA state given its
previous states. Results show that the network is able to learn the rules of
various, complex cellular automata and generalize to unseen configurations. To
some extent, the network shows generalization to rule sets and neighborhood
sizes that were not seen during the training at all.
- Abstract(参考訳): ディープニューラルネットワークのクラスを一般化する能力をテストするために、john conwayのgame of lifeに基づいて、2次元セルオートマトン(ca)のための多数の異なるルールセットをランダムに生成する。
これらのルールを用いて、各CAインスタンスに対する複数のトラジェクトリを計算する。
短距離および長距離のスキップ接続を持つ深層畳み込みエンコーダ・デコーダネットワークは、以前の状態から次のCA状態を予測するために、様々な生成されたCA軌道上で訓練される。
その結果、ネットワークは様々な複雑なセルオートマトン規則を学習し、見えない構成に一般化できることがわかった。
ある程度は、ネットワークはトレーニング中に全く見られなかったルールセットや近隣サイズへの一般化を示している。
関連論文リスト
- Generalization emerges from local optimization in a self-organized learning network [0.0]
我々は,グローバルなエラー関数に頼ることなく,局所最適化ルールのみによって駆動される,教師付き学習ネットワーク構築のための新しいパラダイムを設計・分析する。
我々のネットワークは、ルックアップテーブルの形で、ノードに新しい知識を正確かつ瞬時に保存する。
本稿では,学習例数が十分に大きくなると,アルゴリズムによって生成されたネットワークが完全な一般化状態に体系的に到達する,分類タスクの多くの例を示す。
我々は状態変化のダイナミクスについて報告し、それが突然であり、従来の学習ネットワークですでに観察されている現象である1次相転移の特徴を持つことを示す。
論文 参考訳(メタデータ) (2024-10-03T15:32:08Z) - Convolutional Neural Networks for Automated Cellular Automaton Classification [0.0]
コンピュータビジョン技術を用いて、5つのLi-Packardクラスに小セルオートマトンの自動分類を行う。
まず、これまで開発されたディープラーニングアプローチが、実際にローカル更新ルールを特定するために訓練されていることを示す。
次に、行動クラスを特定するのにほぼ完全に機能する畳み込みニューラルネットワークを示す。
論文 参考訳(メタデータ) (2024-09-04T14:21:00Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳(メタデータ) (2023-06-04T08:53:27Z) - Pathfinding Neural Cellular Automata [23.831530224401575]
Pathfindingは、ロボットパス計画、トランスポートルーティング、ゲームプレイなど、幅広い複雑なAIタスクの重要なサブコンポーネントである。
我々は, Breadth-First Search (BFS) のモデル,すなわち最短経路探索のハンドコードと学習を行う。
本稿では、Depth-First Search(DFS)のニューラル実装を提案し、グラフの直径を計算するためのNAAを生成するために、ニューラルネットワークBFSと組み合わせる方法について概説する。
我々は,これらの手書きNCAに触発されたアーキテクチャ変更を実験し,グリッド迷路の直径問題を解くためにゼロからネットワークをトレーニングし,高い能力の一般化を示した。
論文 参考訳(メタデータ) (2023-01-17T11:45:51Z) - On the Effective Number of Linear Regions in Shallow Univariate ReLU
Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。
我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
論文 参考訳(メタデータ) (2022-05-18T16:57:10Z) - Learning Graph Cellular Automata [25.520299226767946]
我々は、典型的なセルオートマトン(GCA)の一般化バージョンに焦点を当てる。
特に,従来のGAAの遷移規則を学習するために畳み込みニューラルネットワークを用いた以前の研究を拡張した。
有限かつ離散的な状態空間を持つ任意の GCA を表現可能であることを示す。
論文 参考訳(メタデータ) (2021-10-27T07:42:48Z) - The Separation Capacity of Random Neural Networks [78.25060223808936]
標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。
我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
論文 参考訳(メタデータ) (2021-07-31T10:25:26Z) - Lattice gauge equivariant convolutional neural networks [0.0]
汎用機械学習アプリケーションのためのLattice gauge equivariant Convolutional Neural Networks (L-CNNs)を提案する。
L-CNNは従来の畳み込みニューラルネットワークでは見つけられないゲージ不変量を学習・一般化できることを示した。
論文 参考訳(メタデータ) (2020-12-23T19:00:01Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳(メタデータ) (2020-10-02T16:50:26Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2020-04-06T15:51:00Z) - Learn to Predict Sets Using Feed-Forward Neural Networks [63.91494644881925]
本稿では、ディープフィードフォワードニューラルネットワークを用いた設定予測の課題に対処する。
未知の置換と基数を持つ集合を予測するための新しい手法を提案する。
関連視覚問題に対する集合定式化の有効性を実証する。
論文 参考訳(メタデータ) (2020-01-30T01:52:07Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。