Fugu-MT 論文翻訳(概要): Exploration of Parameter Spaces Assisted by Machine Learning

論文の概要: Exploration of Parameter Spaces Assisted by Machine Learning

arxiv url: http://arxiv.org/abs/2207.09959v4
Date: Wed, 04 Dec 2024 09:45:26 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-05 21:42:00.144692
Title: Exploration of Parameter Spaces Assisted by Machine Learning
Title（参考訳）: 機械学習によるパラメータ空間の探索
Authors: A. Hammad, Myeonghun Park, Raymundo Ramos, Pankaj Saha,
Abstract要約: 本稿では、回帰と分類による機械学習モデルによる2つのサンプリング手順を示す。主な目的は、関心のある領域内の可能性のある点を提案するためにニューラルネットワークを使用することで、計算にかかる時間の評価回数を減らすことである。
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: We demonstrate two sampling procedures assisted by machine learning models via regression and classification. The main objective is the use of a neural network to suggest points likely inside regions of interest, reducing the number of evaluations of time consuming calculations. We compare results from this approach with results from other sampling methods, namely Markov chain Monte Carlo and MultiNest, obtaining results that range from comparably similar to arguably better. In particular, we augment our classifier method with a boosting technique that rapidly increases the efficiency within a few iterations. We show results from our methods applied to a toy model and the type II 2HDM, using 3 and 7 free parameters, respectively. The code used for this paper and instructions are publicly available on the web.
Abstract（参考訳）: 回帰と分類による機械学習モデルによる2つのサンプリング手順を実証する。主な目的は、関心のある領域内の可能性のある点を提案するためにニューラルネットワークを使用することで、計算にかかる時間の評価回数を減らすことである。このアプローチの結果をマルコフ連鎖モンテカルロおよびマルチネストの他のサンプリング手法の結果と比較し、比較可能な結果から、比較可能な精度のよい結果を得る。特に,数回の反復で高速に効率を向上するブースティング技術により,分類器の手法を改良する。本手法を玩具モデルとII型2HDMに適用し, それぞれ3自由パラメータと7自由パラメータを用いて実験を行った。本論文のコードと命令は,Web上で公開されている。

関連論文リスト

Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
論文参考訳（メタデータ） (2024-09-20T07:41:47Z)
Sample-Efficient Bayesian Optimization with Transfer Learning for Heterogeneous Search Spaces [12.513822304719602]
機能評価が極めて少ない環境では、BOを成功させるためには、過去の実験から情報を転送する必要がある。これらの関連する実験は、全く同じチューナブルパラメータ(探索空間)を持っていないかもしれない。これらの2つの手法は,いくつかのベンチマーク問題において良好に動作することを示す。
論文参考訳（メタデータ） (2024-09-09T04:36:06Z)
Parameter-Efficient and Memory-Efficient Tuning for Vision Transformer: A Disentangled Approach [87.8330887605381]
本稿では,学習可能なパラメータをわずかに限定して,事前学習した視覚変換器を下流認識タスクに適用する方法を示す。学習可能で軽量なモジュールを用いてタスク固有のクエリを合成する。本手法はメモリ制約下での最先端性能を実現し,実環境における適用性を示す。
論文参考訳（メタデータ） (2024-07-09T15:45:04Z)
Applications of model-aware reinforcement learning in Bayesian quantum metrology [0.6138671548064355]
Belliardo et al., arXiv:2312.16985 (2023) では、量子力学と推定において幅広いタスクを最適化できる手順を紹介した。我々は、トレーニングにおいて、システムを記述する物理を明示的に考慮した最適化にモデルベースのアプローチを採用する。この展示は、PyPIでリリースされたqsensoroptライブラリで実装されている、この方法の幅広い適用性を示している。
論文参考訳（メタデータ） (2024-03-08T22:48:07Z)
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)
Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文参考訳（メタデータ） (2023-09-25T12:31:18Z)
Unbinned Profiled Unfolding [2.0813318162800707]
展開は、検出器効果を補正する粒子物理学実験において重要な手順である。そこで本稿では,非結合な差分断面を生じる機械学習に基づく新しい展開手法を提案する。
論文参考訳（メタデータ） (2023-02-10T17:28:01Z)
Active Learning with Expected Error Reduction [4.506537904404427]
期待される誤り低減(EER)は,能動的学習に有効な方法であることが示されている。 EERは、モデルを候補サンプル毎に再トレーニングする必要がある。本稿ではベイジアンアクティブラーニングのレンズの下でEERを再構成する。
論文参考訳（メタデータ） (2022-11-17T01:02:12Z)
Low-variance estimation in the Plackett-Luce model via quasi-Monte Carlo sampling [58.14878401145309]
PLモデルにおいて,より標本効率の高い予測値を生成するための新しい手法を開発した。 Amazon MusicのリアルなレコメンデーションデータとYahooの学習からランクへの挑戦を理論的にも実証的にも使用しています。
論文参考訳（メタデータ） (2022-05-12T11:15:47Z)
A Framework and Benchmark for Deep Batch Active Learning for Regression [2.093287944284448]
ラベル付きデータのバッチを適応的に選択する能動的学習法について検討した。本稿では,ネットワークに依存した)ベースカーネル,カーネル変換,選択メソッドからそのようなメソッドを構築するためのフレームワークを提案する。提案手法は,我々のベンチマークの最先端性,大規模データセットへのスケール,ネットワークアーキテクチャやトレーニングコードを調整することなく,アウト・オブ・ボックスで動作する。
論文参考訳（メタデータ） (2022-03-17T16:11:36Z)
A Lagrangian Duality Approach to Active Learning [119.36233726867992]
トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
論文参考訳（メタデータ） (2022-02-08T19:18:49Z)
GENEOnet: A new machine learning paradigm based on Group Equivariant Non-Expansive Operators. An application to protein pocket detection [97.5153823429076]
グループ同変非拡張演算子に基づく新しい計算パラダイムを導入する。我々は、薬物設計における重要な問題として、ホスト可能なタンパク質の表面のポケットを検出する、GENEOnetと呼ばれる方法を試した。
論文参考訳（メタデータ） (2022-01-31T11:14:51Z)
Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。本稿では2つの新しい推定法を提案する。
論文参考訳（メタデータ） (2021-09-06T13:42:32Z)
Experimental Investigation and Evaluation of Model-based Hyperparameter Optimization [0.3058685580689604]
本稿では、一般的な機械学習アルゴリズムの理論的および実践的な結果の概要を述べる。 Rパッケージmlrは機械学習モデルの統一インターフェースとして使用される。
論文参考訳（メタデータ） (2021-07-19T11:37:37Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
A concise method for feature selection via normalized frequencies [0.0]
本稿では,普遍的特徴選択のための簡潔な手法を提案する。提案手法は, フィルタ法とラッパー法を融合して行う。評価結果から,提案手法は,精度,精度,リコール,Fスコア,AUCの点で,いくつかの最先端技術に優れた性能を示した。
論文参考訳（メタデータ） (2021-06-10T15:29:54Z)
Improving Deep Learning Sound Events Classifiers using Gram Matrix Feature-wise Correlations [1.2891210250935146]
本手法では,一般CNNの全てのアクティベーションを分析し,Gram Matricesを用いて特徴表現を生成する。提案手法はどのCNNにも適用可能であり,2つのデータセット上で4つの異なるアーキテクチャを実験的に評価した結果,ベースラインモデルが一貫して改善されることが示された。
論文参考訳（メタデータ） (2021-02-23T16:08:02Z)
Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文参考訳（メタデータ） (2020-10-24T21:35:57Z)
Deducing neighborhoods of classes from a fitted model [68.8204255655161]
本稿では,新しいタイプの解釈可能な機械学習手法を提案する。量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
論文参考訳（メタデータ） (2020-09-11T16:35:53Z)
MetaDistiller: Network Self-Boosting via Meta-Learned Top-Down Distillation [153.56211546576978]
本研究では,ラベル生成器を用いて高い適合性を有するソフトターゲットを生成することを提案する。このラベルジェネレータを最適化するためにメタ学習技術を用いることができる。実験は CIFAR-100 と ILSVRC2012 の2つの標準分類ベンチマークで実施された。
論文参考訳（メタデータ） (2020-08-27T13:04:27Z)
Variational Inference with Parameter Learning Applied to Vehicle Trajectory Estimation [20.41604350878599]
雑音測定のみを用いたガウス変分推論におけるパラメータ学習について述べる。我々はライダーを用いた自動車による36kmのデータセットを用いて高精細マップに対するローカライズを行う手法を実証した。
論文参考訳（メタデータ） (2020-03-21T19:48:07Z)

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。