Fugu-MT 論文翻訳(概要): Quantile and moment neural networks for learning functionals of distributions

論文の概要: Quantile and moment neural networks for learning functionals of distributions

arxiv url: http://arxiv.org/abs/2303.11060v1
Date: Mon, 20 Mar 2023 12:23:31 GMT
ステータス: 処理完了
システム内更新日: 2023-03-21 15:34:45.864090
Title: Quantile and moment neural networks for learning functionals of distributions
Title（参考訳）: 分布関数学習のための分位数とモーメントニューラルネットワーク
Authors: Xavier Warin
Abstract要約: 確率空間における分布関数の近似関数について,ニューズニューラルネットワークについて検討する。量子化とモーメント近似に基づくニューラルネットワークの2つのクラスを提案し,これらの関数を学習した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study news neural networks to approximate function of distributions in a probability space. Two classes of neural networks based on quantile and moment approximation are proposed to learn these functions and are theoretically supported by universal approximation theorems. By mixing the quantile and moment features in other new networks, we develop schemes that outperform existing networks on numerical test cases involving univariate distributions. For bivariate distributions, the moment neural network outperforms all other networks.
Abstract（参考訳）: 確率空間における分布の近似関数としてニューズニューラルネットについて検討する。量子およびモーメント近似に基づくニューラルネットワークの2つのクラスがこれらの関数を学習するために提案され、理論上は普遍近似定理によって支持されている。新たなネットワークにおける量子的特徴とモーメント的特徴を混合することにより、単変量分布を含む数値的なテストケースにおいて、既存のネットワークより優れているスキームを開発する。二変量分布の場合、モーメントニューラルネットワークは他の全てのネットワークより優れている。

関連論文リスト

An Analytic Solution to Covariance Propagation in Neural Networks [10.013553984400488]
本稿では,ニューラルネットワークの入出力分布を正確に特徴付けるために,サンプルフリーモーメント伝搬法を提案する。この手法の鍵となる有効性は、非線形活性化関数を通した確率変数の共分散に対する解析解である。学習ニューラルネットワークの入力出力分布を分析し,ベイズニューラルネットワークを訓練する実験において,提案手法の適用性およびメリットを示す。
論文参考訳（メタデータ） (2024-03-24T14:08:24Z)
Learning Theory of Distribution Regression with Neural Networks [6.961253535504979]
完全連結ニューラルネットワーク(FNN)による近似理論と分布回帰の学習理論を確立する。古典回帰法とは対照的に、分布回帰の入力変数は確率測度である。
論文参考訳（メタデータ） (2023-07-07T09:49:11Z)
Computational Complexity of Learning Neural Networks: Smoothness and Degeneracy [52.40331776572531]
ガウス入力分布下での学習深度3$ReLUネットワークはスムーズな解析フレームワークにおいても困難であることを示す。この結果は, 局所擬似乱数発生器の存在についてよく研究されている。
論文参考訳（メタデータ） (2023-02-15T02:00:26Z)
Probabilistic Verification of ReLU Neural Networks via Characteristic Functions [11.489187712465325]
我々は、周波数領域における確率理論のアイデアを用いて、ReLUニューラルネットワークの確率論的検証保証を提供する。我々は、(深い)フィードフォワードニューラルネットワークを有限地平線上の離散力学系として解釈する。出力集合の累積分布関数を求め,ネットワークが期待通りに動作しているかどうかを確認する。
論文参考訳（メタデータ） (2022-12-03T05:53:57Z)
Mean-field neural networks: learning mappings on Wasserstein space [0.0]
確率測度のワッサーシュタイン空間と関数の空間を対応づけたモデルに対する機械学習タスクについて検討する。ニューラルネットワークの2つのクラスは、いわゆる平均場関数を学習するために提案される。本稿では,時間依存型平均場問題の解法として,平均場ニューラルネットワークを用いたアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-10-27T05:11:42Z)
Variational Neural Networks [88.24021148516319]
本稿では,変分ニューラルネットワーク(VNN)と呼ばれるニューラルネットワークにおける不確実性推定手法を提案する。 VNNは、学習可能なサブレイヤで入力を変換することで、レイヤの出力分布のパラメータを生成する。不確実性評価実験において、VNNはモンテカルロ・ドロップアウトやベイズ・バイ・バックプロパゲーション法よりも優れた不確実性が得られることを示す。
論文参考訳（メタデータ） (2022-07-04T15:41:02Z)
A Probabilistic Approach to Neural Network Pruning [20.001091112545065]
FCNとCNNの2つのプルーニング技術(ランダムおよび等級ベース)の性能について理論的に検討する。その結果、対象ネットワークから指定された任意の境界内に、表現力を持つプルーンドネットワークが存在することが判明した。
論文参考訳（メタデータ） (2021-05-20T23:19:43Z)
LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
論文参考訳（メタデータ） (2021-03-01T03:10:11Z)
The Connection Between Approximation, Depth Separation and Learnability in Neural Networks [70.55686685872008]
学習可能性と近似能力の関係について検討する。対象関数の深いネットワークでの学習性は、より単純なクラスがターゲットを近似する能力に依存することを示す。
論文参考訳（メタデータ） (2021-01-31T11:32:30Z)
How Neural Networks Extrapolate: From Feedforward to Graph Neural Networks [80.55378250013496]
勾配勾配降下法によりトレーニングされたニューラルネットワークが、トレーニング分布の支持の外で学んだことを外挿する方法について検討する。グラフニューラルネットワーク(GNN)は、より複雑なタスクでいくつかの成功を収めている。
論文参考訳（メタデータ） (2020-09-24T17:48:59Z)
ResiliNet: Failure-Resilient Inference in Distributed Neural Networks [56.255913459850674]
ResiliNetは、分散ニューラルネットワークにおいて物理ノード障害に耐性を持たせるためのスキームである。 Failoutは、ドロップアウトを使用したトレーニング中の物理ノード障害条件をシミュレートし、分散ニューラルネットワークのレジリエンスを改善するように設計されている。
論文参考訳（メタデータ） (2020-02-18T05:58:24Z)

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。