Fugu-MT 論文翻訳(概要): Gradient Flows for L2 Support Vector Machine Training

論文の概要: Gradient Flows for L2 Support Vector Machine Training

arxiv url: http://arxiv.org/abs/2208.04365v1
Date: Mon, 8 Aug 2022 18:56:47 GMT
ステータス: 処理完了
システム内更新日: 2022-08-10 12:51:02.129513
Title: Gradient Flows for L2 Support Vector Machine Training
Title（参考訳）: L2支援ベクトルマシン訓練のための勾配流れ
Authors: Christian Bauckhage and Helen Schneider and Benjamin Wulff and Rafet Sifa
Abstract要約: 通常の微分方程式の解法による二項分類のための支援ベクトルマシンの訓練の利点を考察する。我々は、アナログコンピュータや量子コンピュータなどの(再)ハードウェアプラットフォームの実装に関心のある機械学習問題に対して、継続的な時間的視点を仮定する。
参考スコア（独自算出の注目度）: 2.292102507029272
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We explore the merits of training of support vector machines for binary classification by means of solving systems of ordinary differential equations. We thus assume a continuous time perspective on a machine learning problem which may be of interest for implementations on (re)emerging hardware platforms such as analog- or quantum computers.
Abstract（参考訳）: 通常の微分方程式系の解法を用いて,バイナリ分類のためのサポートベクトルマシンの訓練のメリットを考察する。そこで我々は,アナログコンピュータや量子コンピュータなどの(再)ハードウェアプラットフォームの実装に関心を持つ機械学習問題に対して,連続的な時間的視点を仮定する。

関連論文リスト

A general learning scheme for classical and quantum Ising machines [0.0]
本稿では,Ising構造に基づく機械学習モデルを提案する。提案した学習モデルのトレーニングと実行に関する実験結果を示す。特に量子領域では、量子リソースはモデルの実行とトレーニングの両方に使用され、量子機械学習において有望な視点を提供する。
論文参考訳（メタデータ） (2023-10-27T18:07:02Z)
AI Enhanced Control Engineering Methods [66.08455276899578]
我々は、AIツールがアプリケーションを制御するのにどのように役立つかを探求する。直近の2つの応用は、局所安定性解析やカルマンフィルタを用いた状態推定のための系力学の線形化である。さらに、モデル予測制御アプリケーションにおける状態ベクトルのグローバルパラメータ化と制御入力に対する機械学習モデルの利用について検討する。
論文参考訳（メタデータ） (2023-06-08T20:31:14Z)
Entanglement Classification via Witness Operators generated by Support Vector Machine [0.0]
本研究では、機械学習アルゴリズムを用いて、分離可能な状態と絡み合った状態の分類を行う。支持ベクトルマシンは、ランダムな98%が92%の精度で絡み合っているかどうかを認識できることを示す。また,支援ベクトルマシンアルゴリズムが絡み合いの目撃者演算子の評価を実装できる理由と状況についても述べる。
論文参考訳（メタデータ） (2023-01-17T08:49:13Z)
FPGA Implementation of Multi-Layer Machine Learning Equalizer with On-Chip Training [0.0]
FPGA上で複数の線形および非線形計算層を置換する適応機械学習等化器を実装した。勾配バックプロパゲーションによるオンチップトレーニングは、時間変化チャネル障害へのリアルタイム適応を可能にする。
論文参考訳（メタデータ） (2022-12-07T08:42:15Z)
Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview [72.79089075263985]
配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
論文参考訳（メタデータ） (2022-02-28T06:28:44Z)
Computing Rule-Based Explanations of Machine Learning Classifiers using Knowledge Graphs [62.997667081978825]
我々は、機械学習分類器の動作を説明する用語を提供する基盤となるフレームワークとして知識グラフを使用している。特に,知識グラフの用語で表される一階述語論理規則の形で,ブラックボックスの説明を抽出し,表現するための新しい手法を提案する。
論文参考訳（メタデータ） (2022-02-08T16:21:49Z)
Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文参考訳（メタデータ） (2021-05-06T02:22:23Z)
A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文参考訳（メタデータ） (2020-08-10T06:07:52Z)
QUBO Formulations for Training Machine Learning Models [0.0]
量子コンピューティングのような非伝統的なコンピューティングパラダイムを活用して、機械学習モデルを効率的にトレーニングします。線形回帰、サポートベクターマシン(SVM)、等サイズのk平均クラスタリングの3つの機械学習モデルのトレーニング問題をQUBO問題として定式化し、断熱量子コンピュータで効率的にトレーニングできるようにした。我々の定式化の時間と空間の複雑さは(SVM や等サイズの k-平均クラスタリングの場合)、あるいは(線形回帰の場合)その古典的表現と同等であることを示す。
論文参考訳（メタデータ） (2020-08-05T21:16:05Z)
hxtorch: PyTorch for BrainScaleS-2 -- Perceptrons on Analog Neuromorphic Hardware [0.0]
本稿では,BrainScaleS-2アナログニューロモルフィックハードウェアシステムを推論アクセラレータとして使用するためのソフトウェアを提案する。ベクトル行列乗算と畳み込みとそれに対応するソフトウェアベースのオートグレード機能に対するアクセラレータサポートを提供する。導入したフレームワークの応用として,スマートフォンセンサデータを用いた日常生活活動の分類モデルを提案する。
論文参考訳（メタデータ） (2020-06-23T16:33:49Z)
Combining Machine Learning with Knowledge-Based Modeling for Scalable Forecasting and Subgrid-Scale Closure of Large, Complex, Spatiotemporal Systems [48.7576911714538]
我々は、過去のデータを予測に組み込む上で、機械学習を必須のツールとして活用しようと試みる。 i)並列機械学習予測手法と(ii)ハイブリッド手法の2つの手法を組み合わせて,知識ベースコンポーネントと機械学習ベースコンポーネントからなる複合予測システムを提案する。 i) と (ii) を組み合わせることで、非常に大規模なシステムに優れた性能を与えることができるだけでなく、並列機械学習コンポーネントを訓練するのに必要となる時系列データの長さが、並列化なしで必要なものよりも劇的に少ないことを実証した。
論文参考訳（メタデータ） (2020-02-10T23:21:50Z)

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。