Fugu-MT 論文翻訳(概要): Neurons on Amoebae

論文の概要: Neurons on Amoebae

arxiv url: http://arxiv.org/abs/2106.03695v1
Date: Mon, 7 Jun 2021 15:07:41 GMT
ステータス: 処理完了
システム内更新日: 2021-06-08 17:21:35.215812
Title: Neurons on Amoebae
Title（参考訳）: アメーバのニューロン
Authors: Jiakang Bao, Yang-Hui He, Edward Hirst
Abstract要約: ニューラルネットワークなどの機械学習の手法を応用して,アメーバの研究を行う。計算コストの低いアメーバの属を決定するのによい近似を求める。
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 apply methods of machine-learning, such as neural networks, manifold learning and image processing, in order to study amoebae in algebraic geometry and string theory. With the help of embedding manifold projection, we recover complicated conditions obtained from so-called lopsidedness. For certain cases (e.g. lopsided amoeba with positive coefficients for $F_0$), it could even reach $\sim99\%$ accuracy. Using weights and biases, we also find good approximations to determine the genus for an amoeba at lower computational cost. In general, the models could easily predict the genus with over $90\%$ accuracies. With similar techniques, we also investigate the membership problem.
Abstract（参考訳）: 本研究では,ニューラルネットワーク,多様体学習,画像処理などの機械学習手法を適用し,代数幾何学や弦理論におけるアメーバの研究を行う。埋め込み多様体射影の助けを借りて、いわゆるロッドサイドネスから得られる複雑な条件を復元する。特定の場合(例) 正の係数がf_0$のlopsided amoebaは、$\sim99\%$精度に達するかもしれない。重みとバイアスを用いて、計算コストの低いアメーバの属を決定するのに良い近似を求める。一般に、このモデルは90\%$の確率で容易に種を予測できた。同様の手法で会員問題についても検討する。

関連論文リスト

Dimension-independent learning rates for high-dimensional classification problems [53.622581586464634]
各RBV2$関数は、重みが有界なニューラルネットワークによって近似可能であることを示す。次に、分類関数を近似した有界重みを持つニューラルネットワークの存在を証明する。
論文参考訳（メタデータ） (2024-09-26T16:02:13Z)
Matching the Statistical Query Lower Bound for k-sparse Parity Problems with Stochastic Gradient Descent [83.85536329832722]
勾配勾配降下(SGD)は,$d$次元ハイパーキューブ上の$k$パリティ問題を効率的に解くことができることを示す。次に、SGDでトレーニングされたニューラルネットワークがどのようにして、小さな統計的エラーで$k$-parityの問題を解決するかを実証する。
論文参考訳（メタデータ） (2024-04-18T17:57:53Z)
Machine learning for moduli space of genus two curves and an application to isogeny based cryptography [0.0]
小さい重み付き高さと$(n, n)$-split Jacobian for $n=2, 3, 5$ の有理モジュライ点が非常に少ないことを示す。 K-Neighborsを使って99.9%の精度でスプリットを検出することができる。このことは、人工ニューラルネットワークと機械学習技術が、属2曲線のモジュライ空間における算術的問題にかなり信頼できることを示している。
論文参考訳（メタデータ） (2024-03-25T22:52:50Z)
Learning Narrow One-Hidden-Layer ReLU Networks [30.63086568341548]
最初のアルゴリズムは$k$が定数であるときに成功する。我々は、十分に近接したニューロンを一緒に崩壊させることができると主張するために、マルチスケール分析を用いる。
論文参考訳（メタデータ） (2023-04-20T17:53:09Z)
An Information-Theoretic Analysis of Compute-Optimal Neural Scaling Laws [24.356906682593532]
大規模ニューラルネットワークにおけるモデルとトレーニングデータセットサイズ間の計算-最適トレードオフについて検討する。以上の結果から, チンチラの実証分析で裏付けられる線形関係が示唆された。
論文参考訳（メタデータ） (2022-12-02T18:46:41Z)
Bagged Polynomial Regression and Neural Networks [0.0]
時系列とデータセットの回帰は、ニューラルネットワークと同じ関数クラスを近似することができる。 textitbagged regression (BPR)は、ニューラルネットワークの魅力的な代替品である。 BPRは、衛星データを用いた作物分類において、ニューラルネットワークと同様に機能する。
論文参考訳（メタデータ） (2022-05-17T19:55:56Z)
Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文参考訳（メタデータ） (2021-11-15T09:08:27Z)
Deep Contrastive Graph Representation via Adaptive Homotopy Learning [76.22904270821778]
Homotopyモデルは、機械学習の分野におけるさまざまな研究によって活用される優れたツールである。マクローリン双対性を用いる新しい適応ホモトピーフレームワーク(AH)を提案する。 AHはホモトピーに基づくアルゴリズムを強化するために広く利用することができる。
論文参考訳（メタデータ） (2021-06-17T04:46:04Z)
Stochastic Flows and Geometric Optimization on the Orthogonal Group [52.50121190744979]
直交群 $O(d)$ 上の幾何駆動最適化アルゴリズムの新しいクラスを示す。提案手法は,深層,畳み込み,反復的なニューラルネットワーク,強化学習,フロー,メトリック学習など,機械学習のさまざまな分野に適用可能であることを示す。
論文参考訳（メタデータ） (2020-03-30T15:37:50Z)
Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文参考訳（メタデータ） (2020-02-20T10:50:58Z)

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。