論文の概要: Classical and Quantum Algorithms for Orthogonal Neural Networks

• arxiv url: http://arxiv.org/abs/2106.07198v2
• Date: Fri, 23 Dec 2022 14:32:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-26 17:57:56.759179
• Title: Classical and Quantum Algorithms for Orthogonal Neural Networks
• Title（参考訳）: 直交ニューラルネットワークの古典的および量子的アルゴリズム
• Authors: Iordanis Kerenidis, Jonas Landman, Natansh Mathur
• Abstract要約: 我々は、直交行列乗算を実装した、ピラミッド回路と呼ばれる新しいタイプのニューラルネットワーク層を導入する。 このアルゴリズムは量子コンピューティングにインスパイアされているため、古典的なコンピュータや短期的な量子コンピュータにも適用することができる。
• 参考スコア（独自算出の注目度）: 4.817429789586127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Orthogonal neural networks have recently been introduced as a new type of neural networks imposing orthogonality on the weight matrices. They could achieve higher accuracy and avoid evanescent or explosive gradients for deep architectures. Several classical gradient descent methods have been proposed to preserve orthogonality while updating the weight matrices, but these techniques suffer from long running times or provide only approximate orthogonality. In this paper, we introduce a new type of neural network layer called Pyramidal Circuit, which implements an orthogonal matrix multiplication. It allows for gradient descent with perfect orthogonality with the same asymptotic running time as a standard layer. This algorithm is inspired by quantum computing and can therefore be applied on a classical computer as well as on a near term quantum computer. It could become the building block for quantum neural networks and faster orthogonal neural networks.
• Abstract（参考訳）: 直交ニューラルネットワークは、最近、重み行列に直交性を与える新しいタイプのニューラルネットワークとして導入された。 高い精度を達成でき、深いアーキテクチャのエバネッセントや爆発的な勾配を避けることができる。 重み行列を更新しながら直交性を維持するためにいくつかの古典的勾配降下法が提案されているが、これらの手法は長い実行時間または近似直交性しか提供しない。 本稿では,直交行列乗算を実装したPraamidal Circuitと呼ばれる新しいタイプのニューラルネットワーク層を提案する。 これは標準層と同じ漸近実行時間を持つ完全直交性を持つ勾配降下を可能にする。 このアルゴリズムは量子コンピューティングにインスパイアされているため、古典的なコンピュータや短期的な量子コンピュータにも適用することができる。 量子ニューラルネットワークと高速直交ニューラルネットワークのためのビルディングブロックになる可能性がある。

関連論文リスト

• Projected Stochastic Gradient Descent with Quantum Annealed Binary Gradients [51.82488018573326]
  重み付きニューラルネットワークのトレーニングに適した,新しいレイヤワイドオプティマイザであるQP-SBGDを提案する。 BNNは、深層学習モデルの計算要求とエネルギー消費を最小限の精度で削減する。 提案アルゴリズムは階層的に実装されており,リソース制限量子ハードウェア上での大規模ネットワークのトレーニングに適している。
  論文  参考訳（メタデータ） (2023-10-23T17:32:38Z)
• Neural Networks for Programming Quantum Annealers [6.531395267592592]
  量子機械学習は、古典的なコンピュータで難解な問題を解くなど、人工知能の進歩を可能にする可能性がある。 本研究では、古典的な完全分岐ニューラルネットワークを小さな量子アニールで接続する、類似しているが全く同じではない場合について考察する。 このシステムをシミュレートして、画像や音声認識など、いくつかの一般的なデータセットを学習する。
  論文  参考訳（メタデータ） (2023-08-13T16:43:07Z)
• Learning To Optimize Quantum Neural Network Without Gradients [3.9848482919377006]
  本稿では,量子回路のパラメータを出力するために,Emphmeta-Optimizerネットワークをトレーニングする新しいメタ最適化アルゴリズムを提案する。 我々は,従来の勾配に基づくアルゴリズムよりも回路評価が少ない場合に,より高品質な最小値が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-15T01:09:12Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• A Unified Algebraic Perspective on Lipschitz Neural Networks [88.14073994459586]
  本稿では,様々なタイプの1-Lipschitzニューラルネットワークを統一する新しい視点を提案する。 そこで本研究では,SDP(Common semidefinite Programming)条件の解析解を求めることによって,既存の多くの手法を導出し,一般化することができることを示す。 SDPベースのLipschitz Layers (SLL) と呼ばれる我々のアプローチは、非自明で効率的な凸ポテンシャル層の一般化を設計できる。
  論文  参考訳（メタデータ） (2023-03-06T14:31:09Z)
• Quantum Methods for Neural Networks and Application to Medical Image Classification [5.817995726696436]
  ニューラルネットワークのための新しい量子法を2つ導入する。 1つ目は、量子ピラミッド回路に基づく量子直交ニューラルネットワークである。 第2の方法は量子支援ニューラルネットワークであり、量子コンピュータを用いて内部積推定を行う。
  論文  参考訳（メタデータ） (2022-12-14T18:17:19Z)
• Quantum Walk to Train a Classical Artificial Neural Network [0.0]
  この研究は、古典的な人工ニューラルネットワークを訓練するために、完全なグラフで量子ウォークを使用する手順を提案する。 ニューラルネットワークのトレーニングに使用される方法論は、隠れた層の重みを変更するのではなく、出力層のシナプス重みを調整する。 計算ゲインに加えて、提案手法のもう一つの利点は、解を得るのに必要な反復回数をtextita priori で知ることができることである。
  論文  参考訳（メタデータ） (2021-09-01T00:36:52Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)
• On Lipschitz Regularization of Convolutional Layers using Toeplitz Matrix Theory [77.18089185140767]
  リプシッツ正則性は現代のディープラーニングの重要な性質として確立されている。 ニューラルネットワークのリプシッツ定数の正確な値を計算することはNPハードであることが知られている。 より厳密で計算が容易な畳み込み層に対する新しい上限を導入する。
  論文  参考訳（メタデータ） (2020-06-15T13:23:34Z)

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。