Fugu-MT 論文翻訳(概要): Machine-learning hidden symmetries

論文の概要: Machine-learning hidden symmetries

arxiv url: http://arxiv.org/abs/2109.09721v1
Date: Mon, 20 Sep 2021 17:55:02 GMT
ステータス: 処理完了
システム内更新日: 2021-09-21 15:58:34.929131
Title: Machine-learning hidden symmetries
Title（参考訳）: 機械学習の隠れ対称性
Authors: Ziming Liu (MIT), Max Tegmark (MIT)
Abstract要約: 本稿では,新しい座標系にのみ現れる隠れ対称性を自動検出する手法を提案する。その中心となる考え方は、ある偏微分方程式の違反として非対称性を定量化し、すべての可逆変換の空間上のそのような違反を数値的に最小化し、可逆ニューラルネットワークとしてパラメータ化することである。
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 present an automated method for finding hidden symmetries, defined as symmetries that become manifest only in a new coordinate system that must be discovered. Its core idea is to quantify asymmetry as violation of certain partial differential equations, and to numerically minimize such violation over the space of all invertible transformations, parametrized as invertible neural networks. For example, our method rediscovers the famous Gullstrand-Painleve metric that manifests hidden translational symmetry in the Schwarzschild metric of non-rotating black holes, as well as Hamiltonicity, modularity and other simplifying traits not traditionally viewed as symmetries.
Abstract（参考訳）: 本研究では,新しい座標系においてのみ現れる対称性として定義される隠れ対称性を自動検出する手法を提案する。その核となる考え方は、ある偏微分方程式の違反として非対称性を定量化し、そのような違反をすべての可逆変換の空間上で数値的に最小化することである。例えば、我々の手法は、非回転ブラックホールのシュワルツシルト計量において隠れた翻訳対称性を示す有名なゲルストランド・パインレーヴ計量と、伝統的に対称性とは見なされないハミルトン性、モジュラリティ、その他の単純化特性を再検討する。

関連論文リスト

Robust Symmetry Detection via Riemannian Langevin Dynamics [39.342336146118015]
本稿では, 従来の対称性検出技術と, 生成モデリングの最近の進歩を融合した新しい対称性検出手法を提案する。具体的には、騒音に対するロバスト性を高めるために、対称性空間にランゲヴィン力学を適用する。提案手法は雑音に対して頑健であるだけでなく,部分対称性と大域対称性の両方を識別できることを示す様々な形状に関する実験結果を提供する。
論文参考訳（メタデータ） (2024-09-18T02:28:20Z)
Variational Inference Failures Under Model Symmetries: Permutation Invariant Posteriors for Bayesian Neural Networks [43.88179780450706]
重み空間置換対称性が変分推論に与える影響について検討する。置換不変変分後部を構築するための対称対称性機構を考案する。本研究は, 対称性分布が真の後部と厳密に適合していること, 元のELBO目標を用いてトレーニングできること, を示す。
論文参考訳（メタデータ） (2024-08-10T09:06:34Z)
The Empirical Impact of Neural Parameter Symmetries, or Lack Thereof [50.49582712378289]
ニューラル・ネットワーク・アーキテクチャの導入により,ニューラル・パラメータ・対称性の影響について検討する。我々は,パラメータ空間対称性を低減するために,標準的なニューラルネットワークを改良する2つの手法を開発した。実験により,パラメータ対称性の経験的影響に関する興味深い観察がいくつか示された。
論文参考訳（メタデータ） (2024-05-30T16:32:31Z)
A universal formula for the entanglement asymmetry of matrix product states [0.0]
有限結合次元を持つ行列積状態の絡み合い非対称性の普遍式を提供する。任意のコンパクト群(離散群あるいは連続群)の絡み合い非対称性は対称性の破れパターンにのみ依存し、他の微視的特徴とは関係がないことを示す。
論文参考訳（メタデータ） (2023-10-03T11:15:19Z)
Latent Space Symmetry Discovery [31.28537696897416]
本稿では,非線形群作用の対称性を発見できる新しい生成モデルであるLatent LieGANを提案する。本モデルでは,群作用に関する条件下で非線形対称性を表現できることが示されている。 LaLiGANはまた、方程式発見や長期予測を含む下流のタスクに有用な構造化された潜在空間をもたらす。
論文参考訳（メタデータ） (2023-09-29T19:33:01Z)
Symmetry Induces Structure and Constraint of Learning [0.0]
機械学習モデルの学習行動に影響を及ぼすか、決定しないかにかかわらず、損失関数対称性の重要性を明らかにする。ディープラーニングにおけるミラー対称性の一般的な例としては、再スケーリング、回転、置換対称性がある。ニューラルネットワークにおける可塑性の喪失や様々な崩壊現象などの興味深い現象を理論的枠組みで説明できることを示す。
論文参考訳（メタデータ） (2023-09-29T02:21:31Z)
Identifying the Group-Theoretic Structure of Machine-Learned Symmetries [41.56233403862961]
本稿では,そのような機械学習対称性の群理論構造を検証し,同定する手法を提案する。粒子物理学への応用として、非アベリアゲージ対称性の自発的破壊後の残留対称性の同定を示す。
論文参考訳（メタデータ） (2023-09-14T17:03:50Z)
Oracle-Preserving Latent Flows [58.720142291102135]
我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
論文参考訳（メタデータ） (2023-02-02T00:13:32Z)
Entanglement-enabled symmetry-breaking orders [0.0]
自発対称性の破れ順序は、伝統的にいくつかの数体クラスターのテンソル積波動関数によって記述される。我々は、任意のテンソル積状態では実現できない、絡み付き対称性破れ順序と呼ばれる対称性破れ順序のタイプについて論じる。
論文参考訳（メタデータ） (2022-07-18T18:00:00Z)
Symmetry Breaking in Symmetric Tensor Decomposition [44.181747424363245]
我々は、対称テンソルの点階分解を計算する非対称問題を考える。損失関数の臨界点が標準手法によって検出されることを示す。
論文参考訳（メタデータ） (2021-03-10T18:11:22Z)
Latent symmetry induced degeneracies [0.0]
我々は、等スペクトル有効ハミルトニアンの対称性にそれらを追従することで、退化を説明するアプローチを開発する。応用として、実ハミルトニアンの回転対称性によって引き起こされる退化を非アーベル潜在対称性群に関連付ける。
論文参考訳（メタデータ） (2020-11-26T17:37:30Z)

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。