論文の概要: New Power Method for Solving Eigenvalue Problems
- arxiv url: http://arxiv.org/abs/2211.06303v2
- Date: Mon, 07 Oct 2024 08:51:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-08 13:09:16.098872
- Title: New Power Method for Solving Eigenvalue Problems
- Title(参考訳): 固有値問題の解法
- Authors: I Wayan Sudiarta, Hadi Susanto,
- Abstract要約: 固有値問題の解を求めるための新しいパワー手法を提案する。
この方法は、支配的あるいは最低の固有値だけでなく、デフレ手続きを必要とせずに全ての固有値を決定することができる。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: We present a new power method to obtain solutions of eigenvalue problems. The method can determine not only the dominant or lowest eigenvalues but also all eigenvalues without the need for a deflation procedure. The method uses a functional of an operator (or a matrix) to select or filter an eigenvalue. The method can freely select a solution by varying a parameter associated to an estimate of the eigenvalue. The convergence of the method is highly dependent on how closely the parameter to the eigenvalues. In this paper, numerical results of the method are shown to be in excellent agreement with the analytical ones.
- Abstract(参考訳): 固有値問題の解を求めるための新しいパワー手法を提案する。
この方法は、支配的あるいは最低の固有値だけでなく、デフレ手続きを必要とせずに全ての固有値を決定することができる。
この方法は、演算子(または行列)の関数を使用して固有値を選択またはフィルタリングする。
この方法は、固有値の推定に付随するパラメータを変化させることで、解を自由に選択することができる。
この手法の収束は、固有値のパラメータがどの程度近いかに大きく依存する。
本稿では,本手法の数値計算結果と解析結果との整合性について述べる。
関連論文リスト
- Annealing-based approach to solving partial differential equations [0.0]
提案アルゴリズムは,Isingマシンを用いて変数数を増大させることなく,任意の精度で固有ベクトルの計算を可能にする。
この手法と理論解析を用いて解決した簡単な例は、適切なパラメータ設定のためのガイドラインを提供する。
論文 参考訳(メタデータ) (2024-06-25T08:30:00Z) - Application of machine learning regression models to inverse eigenvalue
problems [0.0]
機械学習の観点から逆固有値問題の数値解について検討する。
対称ポテンシャルの逆ストラム・リウヴィル固有値問題と球対称屈折率の逆透過固有値問題とがある。
論文 参考訳(メタデータ) (2022-12-08T14:15:01Z) - On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。
これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。
我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
論文 参考訳(メタデータ) (2022-11-28T17:41:48Z) - Neural Networks Based on Power Method and Inverse Power Method for
Solving Linear Eigenvalue Problems [4.3209899858935366]
本稿では,線形固有値問題の解法として,電力法と逆電力法に着想を得た2種類のニューラルネットワークを提案する。
固有値問題の固有関数はニューラルネットワークによって学習される。
本手法により,正確な固有値と固有関数近似が得られることを示す。
論文 参考訳(メタデータ) (2022-09-22T16:22:11Z) - Solving Constrained Variational Inequalities via an Interior Point
Method [88.39091990656107]
制約付き変分不等式(cVI)問題を解くためのインテリアポイントアプローチを開発する。
本稿では,2種類の問題においてACVIの収束保証を提供する。
この設定における以前の作業とは異なり、ACVIは制約が自明でない場合にcVIを解く手段を提供する。
論文 参考訳(メタデータ) (2022-06-21T17:55:13Z) - Automated differential equation solver based on the parametric
approximation optimization [77.34726150561087]
本稿では,最適化アルゴリズムを用いてパラメータ化近似を用いた解を求める手法を提案する。
アルゴリズムのパラメータを変更することなく、幅広い種類の方程式を自動で解くことができる。
論文 参考訳(メタデータ) (2022-05-11T10:06:47Z) - A Boosting Approach to Reinforcement Learning [59.46285581748018]
複雑度が状態数に依存しない意思決定プロセスにおける強化学習のための効率的なアルゴリズムについて検討する。
このような弱い学習手法の精度を向上させることができる効率的なアルゴリズムを提供する。
論文 参考訳(メタデータ) (2021-08-22T16:00:45Z) - New Methods for Detecting Concentric Objects With High Accuracy [0.0]
デジタルデータに幾何学的オブジェクトを適合させることは、虹彩検出、自律ナビゲーション、産業ロボット操作など、多くの分野において重要な問題である。
データに幾何学的形状を合わせるには、幾何学的(定形)アプローチと代数的(非定形)アプローチの2つの一般的なアプローチがある。
他の反復的手法の信頼性の高い初期推定として使用できる新しい推定器を開発した。
論文 参考訳(メタデータ) (2021-02-16T08:19:18Z) - Gross misinterpretation of a conditionally solvable eigenvalue equation [0.0]
我々は、幅広い物理問題に関するいくつかの論文に現れる固有値方程式を解く。
得られた固有値とトランケーション条件で提供される値を比較する。
このようにして、これらの物理予測は単にトランケーション条件の人工物であることを示す。
論文 参考訳(メタデータ) (2020-11-12T15:08:11Z) - On the Adversarial Robustness of LASSO Based Feature Selection [72.54211869067979]
検討されたモデルでは、悪意のある敵がデータセット全体を観察し、レスポンス値やフィーチャーマトリックスを慎重に修正する。
両レベルの最適化問題として、敵の修正戦略を定式化する。
合成および実データを用いた数値的な例は,本手法が効率的かつ効果的であることを示している。
論文 参考訳(メタデータ) (2020-10-20T05:51:26Z) - Eigendecomposition-Free Training of Deep Networks for Linear
Least-Square Problems [107.3868459697569]
我々は、ディープネットワークのトレーニングに固有分解のないアプローチを導入する。
この手法は固有分解の明示的な微分よりもはるかに堅牢であることを示す。
我々の手法は収束特性が良く、最先端の結果が得られます。
論文 参考訳(メタデータ) (2020-04-15T04:29:34Z)
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。