論文の概要: Generative models for scalar field theories: how to deal with poor scaling?

• arxiv url: http://arxiv.org/abs/2301.01504v1
• Date: Wed, 4 Jan 2023 09:25:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 16:06:18.713402
• Title: Generative models for scalar field theories: how to deal with poor scaling?
• Title（参考訳）: スカラー場理論のための生成モデル:貧弱なスケーリングをどう扱うか?
• Authors: Javad Komijani and Marina K. Marinkovic
• Abstract要約: 生成モデルは格子ゲージ場構成を生成するための標準アルゴリズムの代替として提案されている。 大規模格子の受容率に制限のある現在のモデルについて検討し,有効場理論に触発された新しいアーキテクチャを考察し,スケーリング特性を改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models, such as the method of normalizing flows, have been suggested as alternatives to the standard algorithms for generating lattice gauge field configurations. Studies with the method of normalizing flows demonstrate the proof of principle for simple models in two dimensions. However, further studies indicate that the training cost can be, in general, very high for large lattices. The poor scaling traits of current models indicate that moderate-size networks cannot efficiently handle the inherently multi-scale aspects of the problem, especially around critical points. We explore current models with limited acceptance rates for large lattices and examine new architectures inspired by effective field theories to improve scaling traits. We also discuss alternative ways of handling poor acceptance rates for large lattices.
• Abstract（参考訳）: フローの正規化法のような生成モデルは、格子ゲージ場構成を生成する標準的なアルゴリズムの代替として提案されている。 フローを正規化する方法の研究は、2次元の単純なモデルに対する原理の証明を示す。 しかし、さらなる研究により、訓練コストは概して大きな格子に対して非常に高いことが示されている。 現在のモデルのスケーリング特性の低さは、中規模ネットワークが問題、特に臨界点に関する本質的にマルチスケールの側面を効率的に扱えないことを示している。 大規模格子の受容率に制限のある現在のモデルについて検討し,有効場理論に触発された新しいアーキテクチャを考察し,スケーリング特性を改善する。 また、大きな格子に対する受け入れ率の低い処理方法についても論じる。

関連論文リスト

• Pushing the Limits of Large Language Model Quantization via the Linearity Theorem [71.3332971315821]
  本稿では,階層的$ell$再構成誤差と量子化によるモデルパープレキシティ増加との直接的な関係を確立する「線形定理」を提案する。 この知見は,(1)アダマール回転とHIGGSと呼ばれるMSE最適格子を用いた単純なデータフリーLCM量子化法,(2)非一様層ごとの量子化レベルを求める問題に対する最適解の2つの新しい応用を可能にする。
  論文  参考訳（メタデータ） (2024-11-26T15:35:44Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。 本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Studying How to Efficiently and Effectively Guide Models with Explanations [52.498055901649025]
  「モデルガイダンス」とは「正しい理由のために正しい」ことを保証するためにモデルの説明を規則化する考え方である。 PASCAL VOC 2007 および MS COCO 2014 データセット上で, 各種損失関数, 帰属方法, モデル, 誘導深度について詳細な評価を行う。 具体的には、一般的に使用されるセグメンテーションマスクよりもはるかに安価で入手可能なバウンディングボックスアノテーションを用いてモデルをガイドする。
  論文  参考訳（メタデータ） (2023-03-21T15:34:50Z)
• Aspects of scaling and scalability for flow-based sampling of lattice QCD [137.23107300589385]
  格子場理論におけるサンプリングへの機械学習正規化流れの最近の応用は、そのような手法が臨界減速と位相凍結を緩和できる可能性を示唆している。 最先端の格子量子色力学計算に適用できるかどうかはまだ定かではない。
  論文  参考訳（メタデータ） (2022-11-14T17:07:37Z)
• Variational Inference with Locally Enhanced Bounds for Hierarchical Models [38.73307745906571]
  本稿では, 階層モデルに対する拡張手法の適用に基づく変分境界の新たなファミリを提案する。 提案手法は,非バイアス勾配にサブサンプリングを用いることが自然に可能であり,より狭い境界を構築する手法のパワーを十分に活用できることを示す。
  論文  参考訳（メタデータ） (2022-03-08T22:53:43Z)
• Latent Space Refinement for Deep Generative Models [0.4297070083645048]
  反復生成モデルによる空間改良が, 位相的障害を回避し, 精度を向上できることを示す。 本稿では,LaSeR(Latent Space Refinement)プロトコルを実例で紹介し,正規化フローと生成逆数ネットワークの組み合わせに着目した。
  論文  参考訳（メタデータ） (2021-06-01T21:01:39Z)
• Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
  本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。 複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
  論文  参考訳（メタデータ） (2020-06-05T20:54:11Z)
• Dimension Independent Generalization Error by Stochastic Gradient Descent [12.474236773219067]
  本稿では, 局所凸損失関数に対する降下(SGD)解の一般化誤差に関する理論を提案する。 一般化誤差は$p$次元に依存したり、低効用$p$対数因子に依存しないことを示す。
  論文  参考訳（メタデータ） (2020-03-25T03:08:41Z)
• Towards an Efficient and General Framework of Robust Training for Graph Neural Networks [96.93500886136532]
  グラフニューラルネットワーク(GNN)は、いくつかの基本的な推論タスクに大きく進歩している。 GNNの目覚ましい性能にもかかわらず、グラフ構造上の摂動を慎重に作り、誤った予測を下すことが観察されている。 我々は,強靭なGNNを得るために,欲求探索アルゴリズムとゼロ階法を利用する汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-25T15:17:58Z)

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。