論文の概要: Scalable particle-based alternatives to EM
- arxiv url: http://arxiv.org/abs/2204.12965v1
- Date: Wed, 27 Apr 2022 14:25:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-28 13:02:33.462548
- Title: Scalable particle-based alternatives to EM
- Title(参考訳): スケーラブル粒子によるEMの代替
- Authors: Juan Kuntz, Adam M. Johansen
- Abstract要約: より広いモデルのクラスに適用可能なEMの実用的な3つの代替品を得る。
新たなアルゴリズムは、高次元設定によく対応し、数値実験において既存の最先端手法より優れている。
- 参考スコア(独自算出の注目度): 1.52292571922932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building on (Neal and Hinton, 1998), where the problem tackled by EM is
recast as the optimization of a free energy functional on an
infinite-dimensional space, we obtain three practical particle-based
alternatives to EM applicable to broad classes of models. All three are derived
through straightforward discretizations of gradient flows associated with the
functional. The novel algorithms scale well to high-dimensional settings and
outperform existing state-of-the-art methods in numerical experiments.
- Abstract(参考訳): 無限次元空間上の自由エネルギー汎関数の最適化としてemが取り組んだ問題(neal and hinton, 1998)に基づいて、em の幅広いクラスに適用可能な3つの実用的な粒子ベースの代替案を得る。
これら3つは、関数に付随する勾配流の直接的離散化によって導出される。
新たなアルゴリズムは高次元設定によく対応し、数値実験において既存の最先端手法より優れている。
関連論文リスト
- Equivariant Graph Neural Operator for Modeling 3D Dynamics [153.9455825436751]
Equivariant Graph Neural Operator (EGNO) は,次のステップの予測に代えて,ダイナミックスを直接トラジェクトリとしてモデル化する,斬新で原理的な手法である。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-19T21:50:32Z) - Momentum Particle Maximum Likelihood [2.6831773062745863]
パラメータと確率分布の拡張空間上の自由エネルギー関数を最小化するための類似システムに基づくアプローチを提案する。
適切な仮定の下では、提案された系を連続時間における一意的な一意の最小化器に定量的に収束させる。
そこで本研究では,潜在変数モデルにおけるパラメータ推定に適用可能な数値的な離散化を提案する。
論文 参考訳(メタデータ) (2023-12-12T14:53:18Z) - 3D wind field profiles from hyperspectral sounders: revisiting
optic-flow from a meteorological perspective [0.0]
本稿では, 垂直分解型3次元大気運動ベクトル(AMV)データをフォアキャスト方式で抽出するための効率的な光フローアルゴリズムを提案する。
この再帰法は, 実大気観測における現状の光学的流れアルゴリズムよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-03-09T10:14:25Z) - D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。
このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。
さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
論文 参考訳(メタデータ) (2023-03-01T10:38:10Z) - Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。
MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する
我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文 参考訳(メタデータ) (2022-10-24T16:54:18Z) - GANs and Closures: Micro-Macro Consistency in Multiscale Modeling [0.0]
本稿では,物理シミュレーションとバイアス法を併用して,条件分布をサンプリングする手法を提案する。
このフレームワークは, マルチスケールSDE動的システムサンプリングを改善することができることを示すとともに, 複雑性が増大するシステムにも期待できることを示す。
論文 参考訳(メタデータ) (2022-08-23T03:45:39Z) - Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。
提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
論文 参考訳(メタデータ) (2022-03-31T12:52:25Z) - A survey of unsupervised learning methods for high-dimensional
uncertainty quantification in black-box-type problems [0.0]
複素偏微分方程式(PPDE)上の量子化不確実性(UQ)のための代理モデルを構築する。
次元性の呪いは、適切な教師なし学習技術で使用される事前次元の部分空間である。
我々は,m-PCEモデルの利点と限界を実証し,m-PCEモデルが深部部分空間に対するコスト効率の良いアプローチを提供すると結論付けた。
論文 参考訳(メタデータ) (2022-02-09T16:33:40Z) - Comparative Study of State-of-the-Art Matrix-Product-State Methods for
Lattice Models with Large Local Hilbert Spaces [0.06524460254566902]
マトリックス生成状態(MPS)は、柔軟で汎用的なアンザッツクラスを提供する。
計算複雑性に対処するための異なるアプローチを利用する,最先端MPSの3つの手法を記述・比較する。
本研究では,これらの手法の特性をホルシュタイン模型の例として解析し,高精度な計算と,関連する基底状態オブザーバブルの有限サイズスケーリング解析を行う。
論文 参考訳(メタデータ) (2020-11-14T23:24:46Z) - Method of spectral Green functions in driven open quantum dynamics [77.34726150561087]
オープン量子力学のシミュレーションのために,スペクトルグリーン関数に基づく新しい手法を提案する。
この形式主義は、場の量子論におけるグリーン関数の使用と顕著な類似性を示している。
本手法は,完全マスター方程式の解法に基づくシミュレーションと比較して計算コストを劇的に削減する。
論文 参考訳(メタデータ) (2020-06-04T09:41:08Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳(メタデータ) (2019-10-31T02:26:20Z)
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。