Fugu-MT 論文翻訳(概要): LeapfrogLayers: A Trainable Framework for Effective Topological Sampling

論文の概要: LeapfrogLayers: A Trainable Framework for Effective Topological Sampling

arxiv url: http://arxiv.org/abs/2112.01582v1
Date: Thu, 2 Dec 2021 19:48:16 GMT
ステータス: 処理完了
システム内更新日: 2021-12-07 07:24:47.825555
Title: LeapfrogLayers: A Trainable Framework for Effective Topological Sampling
Title（参考訳）: LeapfrogLayers: 効果的なトポロジサンプリングのためのトレーニング可能なフレームワーク
Authors: Sam Foreman, Xiao-Yong Jin, James C. Osborn
Abstract要約: 本稿では,2次元$U(1)$格子ゲージ理論のトポロジを効率的にサンプリングするためにトレーニング可能な,可逆ニューラルネットワークアーキテクチャである Leapfrogsを紹介する。本研究では,従来のHMCと比較してトポロジカルチャージの統合自己相関時間の改善について述べる。
参考スコア（独自算出の注目度）: 0.7366405857677227
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce LeapfrogLayers, an invertible neural network architecture that can be trained to efficiently sample the topology of a 2D $U(1)$ lattice gauge theory. We show an improvement in the integrated autocorrelation time of the topological charge when compared with traditional HMC, and propose methods for scaling our model to larger lattice volumes. Our implementation is open source, and is publicly available on github at https://github.com/saforem2/l2hmc-qcd
Abstract（参考訳）: 本稿では,2次元$U(1)$格子ゲージ理論のトポロジを効率的にサンプリングできる,可逆ニューラルネットワークアーキテクチャである LeapfrogLayersを紹介する。本研究では,従来のhmcと比較して位相電荷の自己相関時間を改善することを示し,モデルをより大きな格子体積にスケールする方法を提案する。私たちの実装はオープンソースで、https://github.com/saforem2/l2hmc-qcdで公開されています。

関連論文リスト

Iterative Filter Pruning for Concatenation-based CNN Architectures [9.651318927588934]
現代の物体検出器は、連結を伴う高度に相互接続された畳み込み層を有する。本稿では,畳み込み層間の接続グラフに基づいて,連結層を扱う手法を提案する。 FPGAとNVIDIA Jetson Xavier AGXにプルーンドモデルをデプロイする。
論文参考訳（メタデータ） (2024-05-04T19:40:42Z)
Kronecker-Factored Approximate Curvature for Modern Neural Network Architectures [85.76673783330334]
線形重み付け層の2つの異なる設定がクロネッカー型近似曲率(K-FAC)の2つの風味を動機付けている重み付けをそれぞれ設定したディープ・リニア・ネットワークに対して正確であることを示す。グラフニューラルネットワークと視覚変換器の両方をトレーニングするために、これらの2つのK-FACの違いをほとんど観測しない。
論文参考訳（メタデータ） (2023-11-01T16:37:00Z)
A Deep Dive into the Connections Between the Renormalization Group and Deep Learning in the Ising Model [0.0]
再正規化群(Renormalization group、RG)は、統計物理学と量子場理論において必須の手法である。本研究では, 1D と 2D Ising モデルに対する広範な再正規化手法を開発し, 比較のためのベースラインを提供する。 2次元イジングモデルでは、Wolffアルゴリズムを用いてIsingモデルサンプルを生成し、準決定論的手法を用いてグループフローを実行した。
論文参考訳（メタデータ） (2023-08-21T22:50:54Z)
A differentiable Gaussian Prototype Layer for explainable Segmentation [3.258592531141818]
勾配に基づくプロトタイプ学習のための勾配ベースのプロトタイプ層を導入する。説明可能なニューラルネットワークのための新しいビルディングブロックとして使用できることを示す。
論文参考訳（メタデータ） (2023-06-25T22:33:21Z)
Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
論文参考訳（メタデータ） (2023-02-02T08:33:36Z)
Improved Convergence Guarantees for Shallow Neural Networks [91.3755431537592]
勾配降下法により訓練された深度2ニューラルネットの収束度を世界最小とする。我々のモデルには、二次損失関数による回帰、完全連結フィードフォワードアーキテクチャ、RelUアクティベーション、ガウスデータインスタンス、逆ラベルといった特徴がある。彼らは、少なくとも我々のモデルでは、収束現象がNTK体制をはるかに超越していることを強く示唆している」。
論文参考訳（メタデータ） (2022-12-05T14:47:52Z)
AnomalyHop: An SSL-based Image Anomaly Localization Method [47.56319291471639]
AnomalyHopは、連続したサブスペース学習(SSL)フレームワークに基づく画像異常局在化方法です。 AnomalyHopは数学的に透明で、トレーニングが簡単で、推論速度が速くなります。 MVTec ADデータセットにおけるROC曲線(ROC-AUC)パフォーマンスの領域は95.9%であり、いくつかのベンチマーク方法の中で最も優れている。
論文参考訳（メタデータ） (2021-05-08T23:17:27Z)
Deep Learning Hamiltonian Monte Carlo [0.6554326244334867]
私たちは、ハミルトンモンテカルロアルゴリズムをニューラルネットワークレイヤーのスタックで一般化します。私たちのモデルは、異なるトポロジのモード間でうまく混在できることを示します。
論文参考訳（メタデータ） (2021-05-07T17:50:18Z)
Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文参考訳（メタデータ） (2020-11-26T14:43:04Z)
Fast Learning of Graph Neural Networks with Guaranteed Generalizability: One-hidden-layer Case [93.37576644429578]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから実際に学習する上で、近年大きな進歩を遂げている。回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
論文参考訳（メタデータ） (2020-06-25T00:45:52Z)
Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。