Fugu-MT 論文翻訳(概要): A general approach to the exact localized transition points of 1D mosaic disorder models

論文の概要: A general approach to the exact localized transition points of 1D mosaic disorder models

arxiv url: http://arxiv.org/abs/2208.02762v2
Date: Tue, 16 Aug 2022 15:19:32 GMT
ステータス: 処理完了
システム内更新日: 2023-02-02 07:11:40.200097
Title: A general approach to the exact localized transition points of 1D mosaic disorder models
Title（参考訳）: 1次元モザイク障害モデルの正確な局所化遷移点への一般的アプローチ
Authors: Yanxia Liu
Abstract要約: モザイクモデルと非モザイクモデルとの一般的な対応を示す。この関係は準結晶モデルだけでなくアンダーソンモデルに対しても成り立つ。この手法をモザイク・アンダーソンモデルに適用すると、拡張状態の離散的な集合が存在することが分かる。
参考スコア（独自算出の注目度）: 0.9790236766474201
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we present a general correspondence between the mosaic and non-mosaic models, which can be used to obtain the exact solution for the mosaic ones. This relation holds not only for the quasicrystal models, but also for the Anderson models. Despite the different localization properties of the specific models, this relationship shares a unified form. Applying our method to the mosaic Anderson models, we find that there is a discrete set of extended states. At last, we also give the general analytical mobility edge for the mosaic slowly varying potential models and the mosaic Ganeshan-Pixley-Das Sarma models.
Abstract（参考訳）: 本稿では,モザイクモデルと非モザイクモデルとの一般的な対応について述べる。この関係は準結晶モデルだけでなくアンダーソンモデルに対しても成り立つ。特定のモデルの異なる局所性にもかかわらず、この関係は統一形式を共有する。この手法をモザイク・アンダーソンモデルに適用すると、拡張状態の離散的な集合が存在することが分かる。最後に、モザイクのゆっくりと変化するポテンシャルモデルとモザイクのガネシャン-ピクトリー-ダスサルマモデルに対する一般的な解析的モビリティエッジを与える。

関連論文リスト

Resonances, mobility edges and gap-protected Anderson localization in generalized disordered mosaic lattices [0.0]
そこで本研究では,モザイク格子のより広範なクラスを導入し,モザイクエッジの表現を導出し,副鼻腔疾患に対する局在長を推定した。不規則性障害と非相関性障害の両方に対して、アンダーソン局在化が障害のない格子の開隙によって保護されていることを証明する。
論文参考訳（メタデータ） (2024-10-25T12:43:17Z)
Exploring Model Kinship for Merging Large Language Models [52.01652098827454]
本稿では,大規模言語モデル間の類似性や関連性の程度であるモデル親和性を紹介する。モデル統合後の性能向上とモデル親和性の間には,一定の関係があることが判明した。我々は新しいモデルマージ戦略を提案する。Top-k Greedy Merging with Model Kinship。
論文参考訳（メタデータ） (2024-10-16T14:29:29Z)
Measuring Agreeableness Bias in Multimodal Models [0.3529736140137004]
本稿では,複数モーダル言語モデルにおける画像に対する事前マーク付きオプションがモデル応答に影響を及ぼす現象について検討する。複数選択質問の画像付きモデルを提示し、まず最初に正解し、次に予めマークされたオプションで同じモデルをバージョンに公開する。この結果から,中立条件下での回答に矛盾する場合でも,事前マーク付きオプションに対するモデルの反応が著しく変化していることが判明した。
論文参考訳（メタデータ） (2024-08-17T06:25:36Z)
EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。 EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文参考訳（メタデータ） (2024-05-23T05:25:45Z)
Module-wise Adaptive Distillation for Multimodality Foundation Models [125.42414892566843]
マルチモーダル・ファンデーション・モデルは目覚ましい一般化性を示したが規模が大きいため展開に挑戦する規模を減らすための効果的なアプローチの1つは層単位での蒸留であり、小さな学生モデルは各層で大きな教師モデルの隠された表現と一致するように訓練される。そこで本研究では, 各モジュールの蒸留後の損失デクリメントを記録し, より頻繁な蒸留に寄与するモジュールを選択することによって, 個々のモジュールの寄与をトラックすることを提案する。
論文参考訳（メタデータ） (2023-10-06T19:24:00Z)
The Interpolating Information Criterion for Overparameterized Models [49.283527214211446]
補間情報基準(Interpolating Information Criterion)は,モデル選択に事前選択を自然に取り入れたモデル品質の尺度であることを示す。我々の新しい情報基準は、モデルの事前の誤特定、幾何学的およびスペクトル的特性を考慮に入れており、既知の経験的および理論的挙動と数値的に一致している。
論文参考訳（メタデータ） (2023-07-15T12:09:54Z)
Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文参考訳（メタデータ） (2023-07-11T16:51:38Z)
Explain To Me: Salience-Based Explainability for Synthetic Face Detection Models [3.0467185351395827]
本稿では,モデル・サリエンスを利用してモデル・サリエンスを大規模に説明するための5つの手法を提案する。これらの方法は、 (a) モデルのサリエンスマップの平均エントロピーは何か、 (b) モデルサリエンスがどのように変化するか、 (c) モデルサリエンスを独立したトレーニングで安定させるか、 (e) モデルサリエンスがサリエンス誘導画像の劣化にどのように反応するかを問う。
論文参考訳（メタデータ） (2023-03-21T16:01:55Z)
General mapping of one-dimensional non-Hermitian mosaic models to non-mosaic counterparts: Mobility edges and Lyapunov exponents [1.9599901299891194]
一次元非エルミートモザイクモデルからそれらの非モザイクモデルへの一般写像を確立する。この写像はモザイク模型におけるモザイクエッジやリャプノフ指数を生じさせる。
論文参考訳（メタデータ） (2023-01-04T17:18:21Z)
An Ample Approach to Data and Modeling [1.0152838128195467]
さまざまな分野の概念とメソッドを統合するモデルの構築方法をモデル化するためのフレームワークについて説明する。参照M*メタモデルフレームワークは、厳密な同値関係の観点からデータセットと各モデルの関連付けに批判的に依存する。開発されたフレームワークがデータクラスタリング、複雑性、共同研究、ディープラーニング、クリエイティビティに関する洞察を提供する方法について、いくつかの考察がなされている。
論文参考訳（メタデータ） (2021-10-05T01:26:09Z)
Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文参考訳（メタデータ） (2020-10-25T18:51:15Z)

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。