Fugu-MT 論文翻訳(概要): Generative Modeling via Tree Tensor Network States

論文の概要: Generative Modeling via Tree Tensor Network States

arxiv url: http://arxiv.org/abs/2209.01341v1
Date: Sat, 3 Sep 2022 06:15:27 GMT
ステータス: 処理完了
システム内更新日: 2022-09-07 13:15:11.918555
Title: Generative Modeling via Tree Tensor Network States
Title（参考訳）: ツリーテンソルネットワーク状態による生成モデリング
Authors: Xun Tang, Yoonhaeng Hur, Yuehaw Khoo, Lexing Ying
Abstract要約: 木テンソルネットワーク状態に基づく密度推定フレームワークを提案する。提案手法は,木トポロジーをChow-Liuアルゴリズムで決定し,スケッチ技術を用いてテンソルネットワークコンポーネントを定義する線形方程式系を得る。
参考スコア（独自算出の注目度）: 5.457842083043014
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we present a density estimation framework based on tree tensor-network states. The proposed method consists of determining the tree topology with Chow-Liu algorithm, and obtaining a linear system of equations that defines the tensor-network components via sketching techniques. Novel choices of sketch functions are developed in order to consider graphical models that contain loops. Sample complexity guarantees are provided and further corroborated by numerical experiments.
Abstract（参考訳）: 本稿では,木テンソルネットワーク状態に基づく密度推定フレームワークを提案する。提案手法は,chow-liuアルゴリズムを用いてツリートポロジーを決定し,スケッチ手法によりテンソルネットワーク成分を定義する線形方程式系を得る。スケッチ関数の新しい選択はループを含むグラフィカルモデルを検討するために開発されている。数値実験により、より詳細な複雑性保証が提供される。

関連論文リスト

Verification of Geometric Robustness of Neural Networks via Piecewise Linear Approximation and Lipschitz Optimisation [57.10353686244835]
我々は、回転、スケーリング、せん断、翻訳を含む入力画像の幾何学的変換に対するニューラルネットワークの検証の問題に対処する。提案手法は, 分枝・分枝リプシッツと組み合わせたサンプリングおよび線形近似を用いて, 画素値に対する楽音線形制約を求める。提案手法では,既存の手法よりも最大32%の検証ケースが解決されている。
論文参考訳（メタデータ） (2024-08-23T15:02:09Z)
Generative Modeling via Hierarchical Tensor Sketching [12.005736675688917]
経験的分布を用いた高次元確率密度近似のための階層的テンソルネットワーク手法を提案する。結果のアルゴリズムの複雑さは高次元密度の次元で線形にスケールする。
論文参考訳（メタデータ） (2023-04-11T15:55:13Z)
Probabilistic Shape Completion by Estimating Canonical Factors with Hierarchical VAE [48.03685702899071]
本稿では,点雲の部分観測から3次元形状完成法を提案する。提案手法は,局所特徴体全体を1つのフィードフォワードネットワークで推定する。完全特徴量の正準因子を確率的に推定するために, 微小な正準関数を持つ階層的変分オートエンコーダ (VAE) を用いる。
論文参考訳（メタデータ） (2022-12-06T23:41:31Z)
Unifying Generative Models with GFlowNets [85.38102320953551]
本稿では, 既存の深層生成モデルとGFlowNetフレームワークの関連性について, 重なり合う特性に光を当てて概説する。これは、トレーニングと推論アルゴリズムを統一する手段を提供し、生成モデルの集合を構築するためのルートを提供する。
論文参考訳（メタデータ） (2022-09-06T15:52:51Z)
Learning Linear Non-Gaussian Polytree Models [2.4493299476776778]
ポリツリーであるグラフを効率的に学習するアルゴリズムを提案する。提案手法は,まず無向木構造を学習するChow-Liuアルゴリズムと,エッジを指向する新しいスキームを組み合わせたものである。
論文参考訳（メタデータ） (2022-08-13T18:20:10Z)
Tree-Constrained Graph Neural Networks For Argument Mining [13.176658477920139]
本稿では,木間類似度を,その共通部分構造であるフラグメントを考慮し,木間類似度を測定するという,ツリーカーネルの背景にある考え方に着想を得た,グラフニューラルネットワークの新しいアーキテクチャを提案する。組込みを生成するノードソフト代入関数にフラグメントの概念を組み込んだプール機構を利用する。
論文参考訳（メタデータ） (2021-09-02T08:56:25Z)
Tree-based Node Aggregation in Sparse Graphical Models [3.7311680121118336]
グラフィカルモデルのノードを集約することで,より単純なネットワークを生成できることを示す。木集合型グラフィカルラッソやタグラッソと呼ばれる新しい凸正規化手法を開発し、エッジスパースとノード集約の両方のグラフィカルモデルを推定する。
論文参考訳（メタデータ） (2021-01-29T10:17:31Z)
Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-Based Human Action Recognition [97.14064057840089]
本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
論文参考訳（メタデータ） (2020-11-11T09:57:49Z)
Learning with tree tensor networks: complexity estimates and model selection [33.10033799230797]
経験的リスク最小化フレームワークを用いて,木テンソルネットワークの複雑性に基づくモデル選択法を解析する。我々の戦略は、ソボレフ空間やベソフ空間を含む幅広い滑らか度クラスに適応するミニマックスであることが示される。
論文参考訳（メタデータ） (2020-07-02T14:52:08Z)
Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-05T07:06:19Z)
Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
論文参考訳（メタデータ） (2020-03-27T08:32:16Z)

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。