Fugu-MT 論文翻訳(概要): Categories of Differentiable Polynomial Circuits for Machine Learning

論文の概要: Categories of Differentiable Polynomial Circuits for Machine Learning

arxiv url: http://arxiv.org/abs/2203.06430v1
Date: Sat, 12 Mar 2022 13:03:30 GMT
ステータス: 処理完了
システム内更新日: 2022-03-15 17:14:47.379079
Title: Categories of Differentiable Polynomial Circuits for Machine Learning
Title（参考訳）: 機械学習のための微分可能多項式回路のカテゴリ
Authors: Paul Wilson, Fabio Zanasi
Abstract要約: 本稿では, RDC のクラスについて, ジェネレータによるプレゼンテーションと方程式について検討する。好適な機械学習モデルとしてEmphpolynomial circuitを提案する。
参考スコア（独自算出の注目度）: 0.76146285961466
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Reverse derivative categories (RDCs) have recently been shown to be a suitable semantic framework for studying machine learning algorithms. Whereas emphasis has been put on training methodologies, less attention has been devoted to particular \emph{model classes}: the concrete categories whose morphisms represent machine learning models. In this paper we study presentations by generators and equations of classes of RDCs. In particular, we propose \emph{polynomial circuits} as a suitable machine learning model. We give an axiomatisation for these circuits and prove a functional completeness result. Finally, we discuss the use of polynomial circuits over specific semirings to perform machine learning with discrete values.
Abstract（参考訳）: 逆微分圏(RDC)は近年,機械学習アルゴリズムの研究に適したセマンティックフレームワークであることが示されている。トレーニング方法論に重点を置いているが、特定の 'emph{model class}: 射が機械学習モデルを表す具体的なカテゴリにはあまり関心が向けられていない。本稿では, RDCのクラスにおける生成元と方程式によるプレゼンテーションについて述べる。特に,適切な機械学習モデルとして \emph{polynomial circuits} を提案する。これらの回路の公理化を行い、機能完全性を証明する。最後に,特定の半環上の多項式回路を用いた離散値の機械学習について述べる。

関連論文リスト

Deep Learning with Parametric Lenses [0.3645042846301408]
本稿では、レンズ、パラメトリックマップ、および逆微分カテゴリの観点から機械学習アルゴリズムの分類的意味論を提案する。この財団は強力な説明と統一の枠組みを提供する。我々はPythonの実装でフレームワークの実用的重要性を実証する。
論文参考訳（メタデータ） (2024-03-30T16:34:28Z)
Sparse Feature Circuits: Discovering and Editing Interpretable Causal Graphs in Language Models [55.19497659895122]
本稿ではスパース特徴回路の発見と適用方法を紹介する。これらは言語モデルの振る舞いを説明するための人間の解釈可能な特徴の因果関係の著作である。
論文参考訳（メタデータ） (2024-03-28T17:56:07Z)
CoLA: Exploiting Compositional Structure for Automatic and Efficient Numerical Linear Algebra [62.37017125812101]
機械学習における大規模線形代数問題に対して, CoLA という, 単純だが汎用的なフレームワークを提案する。線形演算子抽象と合成ディスパッチルールを組み合わせることで、CoLAはメモリと実行時の効率的な数値アルゴリズムを自動的に構築する。偏微分方程式,ガウス過程,同変モデル構築,教師なし学習など,幅広い応用で有効性を示す。
論文参考訳（メタデータ） (2023-09-06T14:59:38Z)
A Mathematical Model for Curriculum Learning for Parities [8.522887729678637]
我々は、勾配降下によって訓練されたニューラルネットワークを用いて、二進弦のdビット上のk-パリティのクラスを学習するためのCLモデルを提案する。 2つ以上の製品分布を含むトレーニング例の賢明な選択は、このクラスの関数を学習する際の計算コストを大幅に削減できることを示す。また、別の種類の関数、すなわちハミング混合系に対して、有界な製品分布を含むCL戦略は有益ではないことを示す。
論文参考訳（メタデータ） (2023-01-31T18:25:36Z)
An Introduction to Kernel and Operator Learning Methods for Homogenization by Self-consistent Clustering Analysis [0.48747801442240574]
本稿では,演算子学習パラダイムの数学的基盤に関する詳細な分析について述べる。提案したカーネル演算子学習法は,グラフカーネルネットワークを用いて,マルチスケール均質化のための機械的縮小順序法を考案する。
論文参考訳（メタデータ） (2022-12-01T02:36:16Z)
Equivariance with Learned Canonicalization Functions [77.32483958400282]
正規化を行うために小さなニューラルネットワークを学習することは、事前定義を使用することよりも優れていることを示す。実験の結果,正準化関数の学習は多くのタスクで同変関数を学習する既存の手法と競合することがわかった。
論文参考訳（メタデータ） (2022-11-11T21:58:15Z)
MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文参考訳（メタデータ） (2022-05-31T04:57:06Z)
A Probabilistic Generative Model of Free Categories [1.7679374058425343]
本稿では、領域固有の生成対象と射に対する自由モノイド圏における射の確率的生成モデルを定義する。非巡回配線図は、モデルが射を生成するために使用できる射の仕様をモデル化することができる。具体的な実験により、フリーカテゴリはOmniglotデータセット上で事前の競合的再構成性能を達成することが示された。
論文参考訳（メタデータ） (2022-05-09T20:35:08Z)
Reverse Derivative Ascent: A Categorical Approach to Learning Boolean Circuits [0.0]
Reverse Derivative Ascentは、機械学習のためのグラデーションベースのメソッドのカテゴリアナログです。我々のモチベーションは逆回路であり、逆微分圏の理論を用いてアルゴリズムをそのような回路に適用する方法を示す。ベンチマーク機械学習データセットに関する実験結果を提供することで,その実証的価値を示す。
論文参考訳（メタデータ） (2021-01-26T00:07:20Z)
Learning outside the Black-Box: The pursuit of interpretable models [78.32475359554395]
本稿では,任意の連続ブラックボックス関数の連続的大域的解釈を生成するアルゴリズムを提案する。我々の解釈は、その芸術の以前の状態から飛躍的な進歩を表している。
論文参考訳（メタデータ） (2020-11-17T12:39:44Z)
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)

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。