論文の概要: Analysis of Kinetic Models for Label Switching and Stochastic Gradient Descent

• arxiv url: http://arxiv.org/abs/2207.00389v1
• Date: Fri, 1 Jul 2022 12:52:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-04 14:47:59.394825
• Title: Analysis of Kinetic Models for Label Switching and Stochastic Gradient Descent
• Title（参考訳）: ラベルスイッチングと確率勾配の老化に対する速度論的モデルの解析
• Authors: Martin Burger, Alex Rossi
• Abstract要約: ラベルスイッチングのための運動モデルの解析に新しいアプローチを提案する。 この設定で勾配勾配が理解できることを実証する。 我々の分析は、外的ポテンシャルの集合における進化の事例に焦点を当てている。
• 参考スコア（独自算出の注目度）: 1.7513645771137178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we provide a novel approach to the analysis of kinetic models for label switching, which are used for particle systems that can randomly switch between gradient flows in different energy landscapes. Besides problems in biology and physics, we also demonstrate that stochastic gradient descent, the most popular technique in machine learning, can be understood in this setting, when considering a time-continuous variant. Our analysis is focusing on the case of evolution in a collection of external potentials, for which we provide analytical and numerical results about the evolution as well as the stationary problem.
• Abstract（参考訳）: 本稿では,異なるエネルギー景観における勾配流をランダムに切り換えることができる粒子系において,ラベル切替の速度論的モデル解析のための新しいアプローチを提案する。 生物学や物理学の問題に加えて,機械学習における最も一般的な手法である確率勾配降下が,時間連続的な変分を考える際に,この設定で理解できることも示している。 我々の分析は、進化と定常問題に関する解析的および数値的な結果を提供する外部ポテンシャルの集合における進化の事例に焦点を当てている。

関連論文リスト

• Stochastic quantization and diffusion models [0.0]
  本稿では,物理学における量子化と機械学習における拡散モデルとの関係について概説する。 機械学習の応用においては、デノナイジング拡散モデルが成功技術として確立されている。 本稿では,スコアベース生成モデルにおけるSDE手法について述べる。
  論文  参考訳（メタデータ） (2024-11-18T05:47:41Z)
• Quasi-potential and drift decomposition in stochastic systems by sparse identification [0.0]
  準ポテンシャルはシステムにおいて重要な概念であり、そのようなシステムの力学の長期的挙動を考慮に入れている。 本稿では,準ポテンシャルを決定するために,スパース学習手法とアクション最小化手法を組み合わせる。 提案手法を2次元および3次元システムで実装し,様々なタイプの潜在的景観とアトラクタを網羅する。
  論文  参考訳（メタデータ） (2024-09-10T22:02:15Z)
• Gradient Estimation and Variance Reduction in Stochastic and Deterministic Models [0.0]
  この論文は制約のない非線形最適化問題を考察している。 このような問題の解決を可能にする鍵となる量である勾配そのものに着目する。 決定論と要素の双方に関わる問題の勾配を計算するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-14T14:41:58Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Learning Lagrangian Fluid Mechanics with E($3$)-Equivariant Graph Neural Networks [2.1401663582288144]
  同変グラフニューラルネットワークは、より正確な動的相互作用モデルを学ぶことができる。 本研究では, テイラー・グリーン渦の3次元崩壊とポアゼイユ流の3次元逆流の2つのよく研究された流れ系をベンチマークした。 現在、トレーニングと評価がかなり遅いが、提案した履歴埋め込みの同変モデルは、より正確な物理的相互作用を学習する。
  論文  参考訳（メタデータ） (2023-05-24T22:26:38Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Dynamic Bayesian Learning and Calibration of Spatiotemporal Mechanistic System [0.0]
  ノイズ観測に基づくメカニカルモデルの完全学習と校正のためのアプローチを開発する。 通常の偏微分方程式と偏微分方程式の分析から生じる問題を解くことで、この柔軟性を実証する。
  論文  参考訳（メタデータ） (2022-08-12T23:17:46Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• Moment evolution equations and moment matching for stochastic image EPDiff [68.97335984455059]
  画像変形モデルにより、画像領域を変形させることにより、時間連続的な画像変換の研究が可能になる。 応用例としては、人口傾向とランダムな被写体特定変異の両方を用いた医療画像分析がある。 パラメータフルモデルにおける統計的推測のための推定器を構築するために、対応する伊藤拡散のモーメント近似を用いる。
  論文  参考訳（メタデータ） (2021-10-07T11:08:11Z)
• Energy-based View of Retrosynthesis [70.66156081030766]
  エネルギーモデルとしてシーケンスおよびグラフベースの手法を統一するフレームワークを提案する。 本稿では,ベイズ前方および後方予測に対して一貫した訓練を行うフレームワーク内での新しい二重変種を提案する。 このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
  論文  参考訳（メタデータ） (2020-07-14T18:51:06Z)

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。