Fugu-MT 論文翻訳(概要): Preserving gauge invariance in neural networks

論文の概要: Preserving gauge invariance in neural networks

arxiv url: http://arxiv.org/abs/2112.11239v1
Date: Tue, 21 Dec 2021 14:08:12 GMT
ステータス: 処理完了
システム内更新日: 2021-12-22 14:17:59.920651
Title: Preserving gauge invariance in neural networks
Title（参考訳）: ニューラルネットワークにおけるゲージ不変性保持
Authors: Matteo Favoni, Andreas Ipp, David I. M\"uller, Daniel Schuh
Abstract要約: 格子ゲージ同変畳み込みニューラルネットワーク(L-CNN) L-CNNは格子上のゲージ不変および同変関数の大きなクラスを表現することができることを示す。
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: In these proceedings we present lattice gauge equivariant convolutional neural networks (L-CNNs) which are able to process data from lattice gauge theory simulations while exactly preserving gauge symmetry. We review aspects of the architecture and show how L-CNNs can represent a large class of gauge invariant and equivariant functions on the lattice. We compare the performance of L-CNNs and non-equivariant networks using a non-linear regression problem and demonstrate how gauge invariance is broken for non-equivariant models.
Abstract（参考訳）: 本稿では,格子ゲージの等価な畳み込みニューラルネットワーク (l-cnns) について述べる。アーキテクチャの側面を概観し、L-CNNが格子上のゲージ不変および同変関数の大きなクラスをどう表現できるかを示す。非線形回帰問題を用いてL-CNNと非同変ネットワークの性能を比較し,非同変モデルに対するゲージ不変性の評価を行った。

関連論文リスト

Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文参考訳（メタデータ） (2024-05-22T17:23:15Z)
Non Commutative Convolutional Signal Models in Neural Networks: Stability to Small Deformations [111.27636893711055]
非可換畳み込みフィルタのフィルタ特性と安定性について検討する。この結果は,グループニューラルネットワーク,マルチグラフニューラルネットワーク,四元系ニューラルネットワークに直接影響する。
論文参考訳（メタデータ） (2023-10-05T20:27:22Z)
Geometrical aspects of lattice gauge equivariant convolutional neural networks [0.0]
格子ゲージ同変畳み込みニューラルネットワーク(L-CNN)は、非アベリア格子ゲージ理論に適用可能な畳み込みニューラルネットワークの枠組みである。
論文参考訳（メタデータ） (2023-03-20T20:49:08Z)
Applications of Lattice Gauge Equivariant Neural Networks [0.0]
格子ゲージ同変畳み込みニューラルネットワーク(L-CNN) L-CNNは従来のニューラルネットワークよりも、異なるサイズの格子をより一般化することができる。我々はL-CNNのWilsonフローや連続正規化フローへの応用の可能性について述べる。
論文参考訳（メタデータ） (2022-12-01T19:32:42Z)
Interrelation of equivariant Gaussian processes and convolutional neural networks [77.34726150561087]
現在、ニューラルネットワーク(NN)とガウス過程(GP)の関係に基づく機械学習(ML)には、かなり有望な新しい傾向がある。本研究では、ベクトル値のニューロン活性化を持つ2次元ユークリッド群とそれに対応する独立に導入された同変ガウス過程(GP)との関係を確立する。
論文参考訳（メタデータ） (2022-09-17T17:02:35Z)
Revisiting Transformation Invariant Geometric Deep Learning: Are Initial Representations All You Need? [80.86819657126041]
変換不変および距離保存初期表現は変換不変性を達成するのに十分であることを示す。具体的には、多次元スケーリングを変更することで、変換不変かつ距離保存された初期点表現を実現する。我々は、TinvNNが変換不変性を厳密に保証し、既存のニューラルネットワークと組み合わせられるほど汎用的で柔軟なことを証明した。
論文参考訳（メタデータ） (2021-12-23T03:52:33Z)
Lattice gauge symmetry in neural networks [0.0]
格子ゲージ同変畳み込みニューラルネットワーク(L-CNN)と呼ばれる新しいニューラルネットワークアーキテクチャについてレビューする。我々は、ゲージ同変畳み込み層と双線型層を明示的に構築するために使用するゲージ同値の概念について議論する。 L-CNNと等価でないCNNの性能は、一見単純な非線形回帰タスクを用いて比較する。
論文参考訳（メタデータ） (2021-11-08T11:20:11Z)
Encoding Involutory Invariance in Neural Networks [1.6371837018687636]
ある状況では、ニューラルネットワーク(NN)は、基礎となる物理対称性に従うデータに基づいて訓練される。本研究では、関数がパリティまでのインボリュート線型/ファイン変換に対して不変な特別な対称性について検討する。数値実験により,提案モデルが与えられた対称性を尊重しながらベースラインネットワークより優れていたことが示唆された。また,本手法を水平/垂直反射対称性を持つデータセットに対する畳み込みNN分類タスクに適用する手法も提案されている。
論文参考訳（メタデータ） (2021-06-07T16:07:15Z)
E(n) Equivariant Graph Neural Networks [86.75170631724548]
本稿では,E(n)-Equivariant Graph Neural Networks (EGNNs) と呼ばれる回転,翻訳,反射,置換に等価なグラフニューラルネットワークを学習する新しいモデルを提案する。既存の手法とは対照的に、私たちの仕事は計算的に高価な中間層における高階表現を必要としません。
論文参考訳（メタデータ） (2021-02-19T10:25:33Z)
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)
Learning Invariances in Neural Networks [51.20867785006147]
ネットワークパラメータや拡張パラメータに関して,拡張性よりも分布をパラメータ化し,トレーニング損失を同時に最適化する方法を示す。画像分類,回帰,セグメンテーション,分子特性予測における不均一性の正確なセットと範囲を,拡張の広い空間から復元することができる。
論文参考訳（メタデータ） (2020-10-22T17:18:48Z)

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。