Fugu-MT 論文翻訳(概要): Tensor Products and Hyperdimensional Computing

論文の概要: Tensor Products and Hyperdimensional Computing

arxiv url: http://arxiv.org/abs/2305.10572v1
Date: Wed, 17 May 2023 21:18:35 GMT
ステータス: 処理完了
システム内更新日: 2023-05-19 17:58:21.386948
Title: Tensor Products and Hyperdimensional Computing
Title（参考訳）: テンソル製品と超次元計算
Authors: Frank Qiu
Abstract要約: 我々は、ベクトル記号アーキテクチャ(VSA)と超次元計算(HDC)の一般設定にいくつかの結果を一般化し、拡張する。テンソル積表現を中心表現として、一意的な性質のスイートとして確立する。これらは、最も汎用的で表現力のある表現であり、エラーのないアンバインドと検出を持つ最も圧縮された表現である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Following up on a previous analysis of graph embeddings, we generalize and expand some results to the general setting of vector symbolic architectures (VSA) and hyperdimensional computing (HDC). Importantly, we explore the mathematical relationship between superposition, orthogonality, and tensor product. We establish the tensor product representation as the central representation, with a suite of unique properties. These include it being the most general and expressive representation, as well as being the most compressed representation that has errorrless unbinding and detection.
Abstract（参考訳）: グラフ埋め込みの以前の分析に続いて、ベクトル記号アーキテクチャ(VSA)と超次元計算(HDC)の一般的な設定にいくつかの結果を一般化し拡張する。重要なことに、重ね合わせ、直交、テンソル積の間の数学的関係を探求する。テンソル積表現を中心表現として、一意的な性質のスイートとして確立する。これらは、最も汎用的で表現力のある表現であり、エラーのないアンバインドと検出を持つ最も圧縮された表現である。

関連論文リスト

Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
論文参考訳（メタデータ） (2024-11-08T17:40:43Z)
On the Geometry and Optimization of Polynomial Convolutional Networks [2.9816332334719773]
単項活性化機能を持つ畳み込みニューラルネットワークについて検討する。我々は、モデルの表現力を測定するニューロマニフォールドの次元と度合いを計算する。一般的な大規模データセットに対して、回帰損失の最適化に起因した臨界点の数を定量化する明示的な公式を導出する。
論文参考訳（メタデータ） (2024-10-01T14:13:05Z)
SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文参考訳（メタデータ） (2024-09-30T17:59:03Z)
Discovering Abstract Symbolic Relations by Learning Unitary Group Representations [7.303827428956944]
記号演算完了(SOC)の原理的アプローチについて検討する。 SOCは離散記号間の抽象的関係をモデル化する際、ユニークな挑戦となる。 SOCは最小限のモデル(双線型写像)で、新しい分解アーキテクチャで効率的に解けることを実証する。
論文参考訳（メタデータ） (2024-02-26T20:18:43Z)
Towards a mathematical understanding of learning from few examples with nonlinear feature maps [68.8204255655161]
トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
論文参考訳（メタデータ） (2022-11-07T14:52:58Z)
Graph Embeddings via Tensor Products and Approximately Orthonormal Codes [0.0]
この表現は超次元計算におけるバインド・アンド・サムのアプローチに該当することを示す。提案手法の動作を特徴付けるいくつかの正確な結果を確立した。大規模なスパースグラフの動的圧縮表現へのその応用を簡潔に議論する。
論文参考訳（メタデータ） (2022-08-18T10:56:37Z)
Recursive Binding for Similarity-Preserving Hypervector Representations of Sequences [4.65149292714414]
HDC/VSAソリューションを設計するための重要なステップは、入力データからそのような表現を得ることである。ここでは, 近傍位置における同一配列要素の類似性を両立させる分散表現への変換を提案する。単語類似性の人間の知覚をモデル化するためのシンボル文字列を用いて,提案手法を実験的に検討した。
論文参考訳（メタデータ） (2022-01-27T17:41:28Z)
Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文参考訳（メタデータ） (2021-10-28T14:59:41Z)
Optimal radial basis for density-based atomic representations [58.720142291102135]
データセットの構造的多様性を最も効率的に表現するために選択される適応的で最適な数値ベースを構築する方法について議論します。トレーニングデータセットごとに、この最適なベースはユニークで、プリミティブベースに関して追加のコストなしで計算することができる。この構成が精度と計算効率のよい表現をもたらすことを実証する。
論文参考訳（メタデータ） (2021-05-18T17:57:08Z)
The Immersion of Directed Multi-graphs in Embedding Fields. Generalisations [0.0]
本稿では,ハイブリッドカテゴリー,シンボル,知覚感覚,知覚潜在データを表す汎用モデルについて概説する。この表現は、コンピュータビジョンにおける様々な機械学習モデル、NLP/NLUで現在使用されている。これは、様々な潜在空間からの埋め込みを表す少なくともいくつかのエッジ属性を持つ有向リレーショナル型マルチグラフを提供することによって達成される。
論文参考訳（メタデータ） (2020-04-28T09:28:08Z)
Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
論文参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。