論文の概要: Quantum Adaptive Fourier Features for Neural Density Estimation

• arxiv url: http://arxiv.org/abs/2208.00564v1
• Date: Mon, 1 Aug 2022 01:39:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-02 13:16:33.916299
• Title: Quantum Adaptive Fourier Features for Neural Density Estimation
• Title（参考訳）: 神経密度推定のための量子適応フーリエ特徴
• Authors: Joseph A. Gallego M. and Fabio A. Gonz\'alez
• Abstract要約: 本稿では,カーネル密度推定の一種とみなすニューラル密度推定法を提案する。 この方法は密度行列、量子力学で使われる形式主義、適応フーリエ特徴に基づいている。 本手法は, 異なる合成および実データを用いて評価し, その性能を最先端のニューラル密度推定法と比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Density estimation is a fundamental task in statistics and machine learning applications. Kernel density estimation is a powerful tool for non-parametric density estimation in low dimensions; however, its performance is poor in higher dimensions. Moreover, its prediction complexity scale linearly with more training data points. This paper presents a method for neural density estimation that can be seen as a type of kernel density estimation, but without the high prediction computational complexity. The method is based on density matrices, a formalism used in quantum mechanics, and adaptive Fourier features. The method can be trained without optimization, but it could be also integrated with deep learning architectures and trained using gradient descent. Thus, it could be seen as a form of neural density estimation method. The method was evaluated in different synthetic and real datasets, and its performance compared against state-of-the-art neural density estimation methods, obtaining competitive results.
• Abstract（参考訳）: 密度推定は、統計や機械学習のアプリケーションにおける基本的なタスクである。 核密度推定は低次元での非パラメトリック密度推定の強力なツールであるが、高次元ではその性能は劣る。 さらに、その予測複雑性は、より多くのトレーニングデータポイントで線形にスケールする。 本稿では,核密度推定の一種として見ることができるが,高い予測計算複雑性を伴わない神経密度推定法を提案する。 この方法は密度行列、量子力学で使われる形式主義、適応フーリエ特徴に基づいている。 この方法は最適化なしで訓練できるが、ディープラーニングアーキテクチャと統合して、勾配勾配を使って訓練することもできる。 したがって、これは神経密度推定法の一形態と見なすことができる。 本手法は, 異なる合成および実データを用いて評価し, その性能を最先端のニューラル密度推定法と比較し, 競争結果を得た。

関連論文リスト

• Sobolev Space Regularised Pre Density Models [51.558848491038916]
  本研究では,ソボレフ法則の正則化に基づく非パラメトリック密度推定法を提案する。 この方法は統計的に一貫したものであり、帰納的検証モデルを明確かつ一貫したものにしている。
  論文  参考訳（メタデータ） (2023-07-25T18:47:53Z)
• LEAN-DMKDE: Quantum Latent Density Estimation for Anomaly Detection [0.0]
  この方法は、データの低次元表現を学習するためのオートエンコーダと密度推定モデルを組み合わせる。 本手法は, 推定密度に基づいて, 新しい試料の正規度を推定する。 実験結果から,本手法が他の最先端手法と同等あるいは同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-11-15T21:51:42Z)
• Fast Kernel Density Estimation with Density Matrices and Random Fourier Features [0.0]
  カーネル密度推定 (KDE) は、最も広く使われている非パラメトリック密度推定法の一つである。 DMKDEは密度行列、量子力学的定式化、ランダムフーリエ特徴、明示的なカーネル近似を用いて密度推定を生成する。 DMKDEは、計算密度推定の競合と同等であり、高次元データ上で実行された場合の利点が示される。
  論文  参考訳（メタデータ） (2022-08-02T02:11:10Z)
• TAKDE: Temporal Adaptive Kernel Density Estimator for Real-Time Dynamic Density Estimation [16.45003200150227]
  時間適応型カーネル密度推定器(TAKDE)と命名する。 TAKDEは最悪のAMISEの点で理論的に最適である。 合成および実世界のデータセットを用いて数値実験を行い、TAKDEが他の最先端の動的密度推定器より優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-15T23:38:32Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
  オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。 出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
  論文  参考訳（メタデータ） (2021-08-26T14:01:04Z)
• Tensor-Train Density Estimation [16.414910030716555]
  密度推定(TTDE)のための高効率テンソルトレインモデルを提案する。 このような密度パラメトリゼーションは、正確なサンプリング、累積および限界密度関数の計算、および分割関数を可能にする。 TTDEは,トレーニング速度において競技者よりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-07-30T21:51:12Z)
• Featurized Density Ratio Estimation [82.40706152910292]
  本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。 この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。 同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
  論文  参考訳（メタデータ） (2021-07-05T18:30:26Z)
• Meta-Learning for Relative Density-Ratio Estimation [59.75321498170363]
  相対密度比推定(DRE)の既存の方法は、両方の密度から多くのインスタンスを必要とする。 本稿では,関係データセットの知識を用いて,相対密度比を数例から推定する,相対DREのメタラーニング手法を提案する。 提案手法の有効性を,相対的DRE,データセット比較,外乱検出の3つの問題を用いて実証的に実証した。
  論文  参考訳（メタデータ） (2021-07-02T02:13:45Z)
• Learning Optical Flow from a Few Matches [67.83633948984954]
  密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。 実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
  論文  参考訳（メタデータ） (2021-04-05T21:44:00Z)

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。