Fugu-MT 論文翻訳(概要): A Learning-Based Approach to Approximate Coded Computation

論文の概要: A Learning-Based Approach to Approximate Coded Computation

arxiv url: http://arxiv.org/abs/2205.09818v1
Date: Thu, 19 May 2022 19:43:53 GMT
ステータス: 処理完了
システム内更新日: 2022-06-06 02:30:49.156409
Title: A Learning-Based Approach to Approximate Coded Computation
Title（参考訳）: 学習に基づく近似符号計算へのアプローチ
Authors: Navneet Agrawal, Yuqin Qiu, Matthias Frey, Igor Bjelakovic, Setareh Maghsudi, Slawomir Stanczak, Jingge Zhu
Abstract要約: 我々は、LCCにインスパイアされたAI支援学習アプローチであるAICCを提案し、深層ニューラルネットワーク(DNN)も使用している。より一般的な関数の符号化計算には適している。
参考スコア（独自算出の注目度）: 22.886991943938703
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Lagrange coded computation (LCC) is essential to solving problems about matrix polynomials in a coded distributed fashion; nevertheless, it can only solve the problems that are representable as matrix polynomials. In this paper, we propose AICC, an AI-aided learning approach that is inspired by LCC but also uses deep neural networks (DNNs). It is appropriate for coded computation of more general functions. Numerical simulations demonstrate the suitability of the proposed approach for the coded computation of different matrix functions that are often utilized in digital signal processing.
Abstract（参考訳）: ラグランジュ符号化計算(lcc)は、行列多項式に関する問題を符号化分散形式で解くのに必須であるが、行列多項式として表現可能な問題のみを解くことができる。本稿では,LCCにヒントを得たAI支援学習手法として,深層ニューラルネットワーク(DNN)を用いたAICCを提案する。より一般的な関数の符号化計算に適している。数値シミュレーションにより,デジタル信号処理によく利用される行列関数の符号化計算に,提案手法が適用可能であることを示す。

関連論文リスト

Efficient Variational Quantum Linear Solver for Structured Sparse Matrices [0.6138671548064355]
代替基底を用いることで、行列のスパーシリティと基盤構造をよりうまく活用できることが示される。我々は、グローバル/ローカルなVQLSコスト関数を計算するために効率的な量子回路を設計するために、ユニタリ補完の概念を用いる。
論文参考訳（メタデータ） (2024-04-25T19:22:05Z)
Polynomial Precision Dependence Solutions to Alignment Research Center Matrix Completion Problems [3.796436257221663]
これらの問題の動機は、$varepsilon$への効率的な依存を可能にすることである。我々の解法は、行列完備問題を半定プログラム(SDP)として再フレーミングすることを含む。
論文参考訳（メタデータ） (2024-01-08T16:25:45Z)
An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-09-30T15:57:14Z)
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)
Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
論文参考訳（メタデータ） (2022-09-15T07:22:58Z)
High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
共分散行列の明示的な構成を避ける新しい推論手法を提案する。本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
論文参考訳（メタデータ） (2022-02-25T16:35:26Z)
An induction proof of the backpropagation algorithm in matrix notation [0.0]
バックプロパゲーション (BP) は、ニューラルネットワークの計算アーキテクチャを利用するアルゴリズムである。この研究は、行列記法におけるBPアルゴリズムの完全な帰納証明を提供する。
論文参考訳（メタデータ） (2021-07-20T10:02:17Z)
Matrix Encoding Networks for Neural Combinatorial Optimization [5.524431376262751]
一般的なアプローチは、与えられた最適化(CO)問題のパラメータをニューラルネットワークで計算することである。現在、そのような行列スタイルの関係データを入力として取り込むニューラルネットモデルは存在しない。本稿では,このような複雑なCO問題のパラメータをいかに便利に取り込み,処理するかを示す。
論文参考訳（メタデータ） (2021-06-21T13:50:23Z)
Photonic co-processors in HPC: using LightOn OPUs for Randomized Numerical Linear Algebra [53.13961454500934]
従来のハードウェアでは,次元削減のためのランダム化ステップ自体が計算ボトルネックとなる可能性がある。ランダム化は,様々な重要なrandnlaアルゴリズムにおいて,精度損失が無視できないほど大幅に高速化できることを示す。
論文参考訳（メタデータ） (2021-04-29T15:48:52Z)
Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。