論文の概要: Finding NEEMo: Geometric Fitting using Neural Estimation of the Energy Mover's Distance

• arxiv url: http://arxiv.org/abs/2209.15624v1
• Date: Fri, 30 Sep 2022 17:54:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 15:16:36.476874
• Title: Finding NEEMo: Geometric Fitting using Neural Estimation of the Energy Mover's Distance
• Title（参考訳）: NEEMoの探索: エネルギー移動距離のニューラル推定による幾何学的フィッティング
• Authors: Ouail Kitouni, Niklas Nolte, Mike Williams
• Abstract要約: モデルのリプシッツ定数の正確な上界を強制する新しいニューラルアーキテクチャが最近開発された。 最適な輸送におけるワッサーシュタイン計量(アース・モーバー距離)を推定する。 具体的には、高エネルギー粒子物理学の分野に焦点をあて、ワッサーシュタイン計量に基づいて粒子衝突事象の空間の計量を定義することが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A novel neural architecture was recently developed that enforces an exact upper bound on the Lipschitz constant of the model by constraining the norm of its weights in a minimal way, resulting in higher expressiveness compared to other techniques. We present a new and interesting direction for this architecture: estimation of the Wasserstein metric (Earth Mover's Distance) in optimal transport by employing the Kantorovich-Rubinstein duality to enable its use in geometric fitting applications. Specifically, we focus on the field of high-energy particle physics, where it has been shown that a metric for the space of particle-collider events can be defined based on the Wasserstein metric, referred to as the Energy Mover's Distance (EMD). This metrization has the potential to revolutionize data-driven collider phenomenology. The work presented here represents a major step towards realizing this goal by providing a differentiable way of directly calculating the EMD. We show how the flexibility that our approach enables can be used to develop novel clustering algorithms.
• Abstract（参考訳）: モデルにおけるリプシッツ定数の正確な上界を最小限の方法で制限することで、他の手法よりも表現性が高い新しいニューラルアーキテクチャが最近開発された。 我々は、このアーキテクチャの新たな興味深い方向を示す: 幾何フィッティングへの応用のために、カントロヴィチ-ルビンシュタイン双対性を用いて最適な輸送におけるワッサーシュタイン計量(アース・モーバー距離)の推定を行う。 具体的には、高エネルギー粒子物理学の分野に焦点をあて、粒子衝突事象の空間の計量は、エネルギーMover's Distance (EMD)と呼ばれるワッサーシュタイン計量に基づいて定義できることが示されている。 この距離化は、データ駆動型衝突型現象論に革命をもたらす可能性がある。 この研究は、EMDを直接計算する微分可能な方法を提供することによって、この目標を実現するための大きな一歩を示しています。 提案手法の柔軟性が,新しいクラスタリングアルゴリズムの開発にどのように役立つかを示す。

関連論文リスト

• Optimal Equivariant Architectures from the Symmetries of Matrix-Element Likelihoods [0.0]
  マトリックス要素法(MEM)は長年、高エネルギー物理学におけるデータ解析の基盤となっている。 幾何学的なディープラーニングは、既知の対称性を直接設計に組み込むニューラルネットワークアーキテクチャを可能にした。 本稿では、MEMにインスパイアされた対称性と、粒子物理解析のための同変ニューラルネットワーク設計を組み合わせた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-24T08:56:37Z)
• Efficient Measurement-Driven Eigenenergy Estimation with Classical Shadows [0.0]
  マルチオブザーバブル・ダイナミックモード分解(MODMD)の枠組みを紹介する。 我々は、典型的なアダマールテスト回路を、低ランクの可観測性を予測するために設計されたプロトコルに置き換える。 我々の研究は、短期および早期の耐故障性量子デバイス上での測定駆動アルゴリズムを効率的に設計するための道を開く。
  論文  参考訳（メタデータ） (2024-09-20T17:59:56Z)
• Physics aware machine learning for micromagnetic energy minimization: recent algorithmic developments [0.0]
  ブラウンの静電自己エネルギーに対する境界の上に構築し、伝達問題の変分定式化の文脈でそれらの応用を再検討する。 有限領域上のこれらの境界を再構成し、数値シミュレーションの手法をより効率的かつスケーラブルにする。 その結果,メッシュフリーな物理インフォームドニューラルネットワーク(PINN)とELM(Extreme Learning Machines)が,厳しい制約と統合される可能性を強調した。
  論文  参考訳（メタデータ） (2024-09-19T16:22:40Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• (Deep) Generative Geodesics [57.635187092922976]
  2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。 我々の計量は、生成距離と生成測地学の概念的定義に繋がる。 彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
  論文  参考訳（メタデータ） (2024-07-15T21:14:02Z)
• Machine Learning and Polymer Self-Consistent Field Theory in Two Spatial Dimensions [0.491574468325115]
  深層学習を伴う自己整合場理論シミュレーションのデータを活用する計算フレームワークを提案する。 サドル点, 局所平均モノマー密度場を効率よく正確に予測するために, GAN(Generative Adversarial Network)を導入した。 このGANアプローチは、メモリと計算コストの両方を節約する。
  論文  参考訳（メタデータ） (2022-12-16T04:30:16Z)
• Sampling with Mollified Interaction Energy Descent [57.00583139477843]
  モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。 MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する 我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-10-24T16:54:18Z)
• Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
  本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。 提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
  論文  参考訳（メタデータ） (2022-05-18T17:11:23Z)
• Spherical Poisson Point Process Intensity Function Modeling and Estimation with Measure Transport [0.20305676256390934]
  球面上の非同次ポアソン過程強度関数をモデル化するための新しいアプローチを提案する。 このフレームワークの中心的な考え方は、球面上の関心の根底にある強度関数を、球面上のより単純な参照、強度関数に変換するフレキシブルな単射写像を構築し、推定することである。
  論文  参考訳（メタデータ） (2022-01-24T06:46:22Z)
• Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
  DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
  論文  参考訳（メタデータ） (2021-06-14T17:19:44Z)
• A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
  ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。 我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
  論文  参考訳（メタデータ） (2021-05-06T17:36:55Z)

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。