論文の概要: Neural Boltzmann Machines

• arxiv url: http://arxiv.org/abs/2305.08337v1
• Date: Mon, 15 May 2023 04:03:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 16:09:34.624638
• Title: Neural Boltzmann Machines
• Title（参考訳）: ニューラルボルツマンマシン
• Authors: Alex H. Lang, Anton D. Loukianov, and Charles K. Fisher
• Abstract要約: 条件生成モデルは、コンテキスト情報を入力として使用して、新しい想像的出力を生成することができる。 条件付き制限ボルツマンマシン(英: Conditional Restricted Boltzmann Machines, CRBM)は、ノイズの多い離散データや連続データをモデル化するのに特に有効であることが証明された条件付き生成モデルの一種である。 CRBMパラメータのそれぞれを、条件入力の関数として許容される独自のニューラルネットワークに変換することで、CRBMを一般化する。
• 参考スコア（独自算出の注目度）: 2.179313476241343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional generative models are capable of using contextual information as input to create new imaginative outputs. Conditional Restricted Boltzmann Machines (CRBMs) are one class of conditional generative models that have proven to be especially adept at modeling noisy discrete or continuous data, but the lack of expressivity in CRBMs have limited their widespread adoption. Here we introduce Neural Boltzmann Machines (NBMs) which generalize CRBMs by converting each of the CRBM parameters to their own neural networks that are allowed to be functions of the conditional inputs. NBMs are highly flexible conditional generative models that can be trained via stochastic gradient descent to approximately maximize the log-likelihood of the data. We demonstrate the utility of NBMs especially with normally distributed data which has historically caused problems for Gaussian-Bernoulli CRBMs. Code to reproduce our results can be found at https://github.com/unlearnai/neural-boltzmann-machines.
• Abstract（参考訳）: 条件生成モデルは、コンテキスト情報を入力として使用して、新しい想像的出力を生成することができる。 条件付き制限ボルツマンマシン(英: Conditional Restricted Boltzmann Machines, CRBM)は、ノイズの多い離散的または連続的なデータのモデリングに特に適していることが証明された条件付き生成モデルの一種であるが、CRBMにおける表現力の欠如は広く採用されている。 本稿では、各CRBMパラメータを条件入力の関数として許容される独自のニューラルネットワークに変換することにより、CRBMを一般化するニューラルボルツマンマシン(NBM)を紹介する。 NBMは高度にフレキシブルな条件付き生成モデルであり、確率勾配勾配からトレーニングすることで、データのログ類似度をほぼ最大化することができる。 特に,ガウシアン・ベルヌーリ crbms に問題を引き起こした正規分布データを用いて,nbms の有用性を示す。 結果の再現コードは https://github.com/unlearnai/neural-boltzmann-machines で確認できます。

関連論文リスト

• Quantum Generative Modeling of Sequential Data with Trainable Token Embedding [0.0]
  ボルンマシンとして知られる量子インスパイアされた生成モデルは、古典的および量子的データの学習において大きな進歩を見せている。 本稿では,MPSを同時に使用可能なトレーニング可能な量子計測演算子への埋め込み法を一般化する。 私たちの研究は、トレーニング可能な埋め込みと組み合わせることで、Bornマシンはより良いパフォーマンスを示し、データセットからより深い相関関係を学習できることを示した。
  論文  参考訳（メタデータ） (2023-11-08T22:56:37Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• Investigating the generative dynamics of energy-based neural networks [0.35911228556176483]
  制限ボルツマンマシン(RBM)の生成ダイナミクスについて検討する。 キメラ状態からトップダウンサンプリングを開始することにより,多種多様なデータプロトタイプを作成する能力を向上させることができることを示す。 また,本モデルでは,一世代軌道内で可能な全ての桁状態間の遷移が可能であることも確認した。
  論文  参考訳（メタデータ） (2023-05-11T12:05:40Z)
• Learning Probabilistic Models from Generator Latent Spaces with Hat EBM [81.35199221254763]
  本研究では、エネルギーベースモデル(EBM)の基礎として、任意のジェネレータネットワークを使用する方法を提案する。 128x128解像度の非条件画像ネット合成,(2)既存の生成装置の出力の精細化,(3)非確率的生成装置を組み込んだ学習用EMMにおいて,提案手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-10-29T03:55:34Z)
• Multi-layered Discriminative Restricted Boltzmann Machine with Untrained Probabilistic Layer [0.0]
  極端な学習機械(ELM)は、訓練されていないパラメータを持つ3層フィードフォワードニューラルネットワークである。 ELMに触発されて,確率ELM層と呼ばれる確率的未学習層を提案する。 分類問題を解くために、識別限定ボルツマンマシン(DRBM)と組み合わせられる。
  論文  参考訳（メタデータ） (2022-10-27T13:56:17Z)
• Gaussian-Bernoulli RBMs Without Tears [113.62579223055958]
  本稿では,Gibbs-Langevinサンプリングアルゴリズムを提案する。 雑音から始まるGRBMで画像を生成できるように改良されたコントラッシブ・ディペンジェンス(CD)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-19T06:22:55Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Conditional Born machine for Monte Carlo events generation [0.0]
  本稿では,モンテカルロシミュレーションへのボルンマシンの適用と,その到達範囲を条件分布に拡張する。 人工機械は、高エネルギー物理衝突器実験において、ミューオン力キャリア(MFC)イベントを生成するために使用される。 実証的な証拠は、ボルンマシンがモンテカルロシミュレーションから得られたデータセットの分布を再現できることを示唆している。
  論文  参考訳（メタデータ） (2022-05-16T13:41:03Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Highly-scalable stochastic neuron based on Ovonic Threshold Switch (OTS) and its applications in Restricted Boltzmann Machine (RBM) [0.2529563359433233]
  我々は、Ovonic Threshold Switch(OTS)に基づく高度に拡張可能なニューロンデバイスを提案する。 真の乱数発生器(TRNG)の候補として、国立標準技術研究所(NIST)統計テストスイートの16テストのうち15テストに合格している。 ノイズで汚染された画像を用いて画像の再構成が成功し、ノイズを除去した画像が得られる。
  論文  参考訳（メタデータ） (2020-10-21T13:20:01Z)
• Exact representations of many body interactions with RBM neural networks [77.34726150561087]
  我々は、RBMの表現力を利用して、多体接触相互作用を1体演算子に正確に分解する。 この構成は、ハバードモデルでよく知られたヒルシュの変換を、核物理学におけるピオンレスFTのようなより複雑な理論に一般化する。
  論文  参考訳（メタデータ） (2020-05-07T15:59:29Z)

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。