Fugu-MT 論文翻訳(概要): Forward and Inverse Approximation Theory for Linear Temporal Convolutional Networks

論文の概要: Forward and Inverse Approximation Theory for Linear Temporal Convolutional Networks

arxiv url: http://arxiv.org/abs/2305.18478v1
Date: Mon, 29 May 2023 11:08:04 GMT
ステータス: 処理完了
システム内更新日: 2023-05-31 20:24:40.334941
Title: Forward and Inverse Approximation Theory for Linear Temporal Convolutional Networks
Title（参考訳）: 線形時間畳み込みネットワークのフォワードおよび逆近似理論
Authors: Haotian Jiang, Qianxiao Li
Abstract要約: 我々は近似率推定(ジャクソン型結果)と逆近似定理(ベルンシュタイン型結果)を証明する。我々は、時間的畳み込みアーキテクチャによって効率的に捕捉できるシーケンシャルな関係のタイプを包括的に評価する。
参考スコア（独自算出の注目度）: 20.9427668489352
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a theoretical analysis of the approximation properties of convolutional architectures when applied to the modeling of temporal sequences. Specifically, we prove an approximation rate estimate (Jackson-type result) and an inverse approximation theorem (Bernstein-type result), which together provide a comprehensive characterization of the types of sequential relationships that can be efficiently captured by a temporal convolutional architecture. The rate estimate improves upon a previous result via the introduction of a refined complexity measure, whereas the inverse approximation theorem is new.
Abstract（参考訳）: 本稿では,畳み込みアーキテクチャの近似特性の理論的解析を行い,時間系列のモデル化に適用する。具体的には、近似レート推定(ジャックソン型の結果)と逆近似定理(バーンスタイン型の結果)を証明し、時間的畳み込み構造によって効率的に捉えられる逐次関係の型を包括的に特徴づける。レート推定は、改良された複雑性測度の導入によって以前の結果を改善するが、逆近似定理は新しいものである。

関連論文リスト

Approximation Rate of the Transformer Architecture for Sequence Modeling [18.166959969957315]
非線型関係のクラスを考察し、トランスフォーマーのジャクソン型近似率推定を明示するために、複雑性尺度の新たな概念を同定する。この速度はトランスフォーマーの構造特性を明らかにし、それが近似に最も適しているシーケンシャルな関係のタイプを示唆する。
論文参考訳（メタデータ） (2023-05-29T10:56:36Z)
A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文参考訳（メタデータ） (2023-01-24T08:39:20Z)
Connecting Optimization and Generalization via Gradient Flow Path Length [17.099964074542818]
収束後の勾配流アルゴリズムの下での最適化軌道長に基づいて一般化誤差を解析し,最適化と一般化を結びつける枠組みを提案する。フレームワークは幅広い設定に適用可能であり,例えば,3つの異なる機械学習モデルに対する一般化推定値を得る。
論文参考訳（メタデータ） (2022-02-22T04:58:16Z)
Approximation Theory of Convolutional Architectures for Time Series Modelling [15.42770933459534]
時系列モデリングに適用した畳み込みアーキテクチャの近似特性について検討する。近年の結果,データ生成プロセスにおける近似効率とメモリ構造との複雑な関係が明らかになった。
論文参考訳（メタデータ） (2021-07-20T09:19:26Z)
Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文参考訳（メタデータ） (2021-06-09T08:05:36Z)
Temporally-Coherent Surface Reconstruction via Metric-Consistent Atlases [131.50372468579067]
再建された表面をニューラルネットワークを用いてアトラスとして表現する。本手法は,教師なし対応の精度と表面再構成の精度において,その性能を超える結果が得られることを実証的に示す。
論文参考訳（メタデータ） (2021-04-14T16:21:22Z)
Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。新規な構造化融合正規化に基づく一般グラフ推定器を提案する。提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文参考訳（メタデータ） (2021-03-05T04:42:32Z)
Posterior-Aided Regularization for Likelihood-Free Inference [23.708122045184698]
後補助正規化(PAR)は,モデル構造に関係なく,密度推定器の学習に適用可能である。単一のニューラルネットワークを用いて逆KL項と相互情報項の両方を推定するPARの統一推定方法を提供する。
論文参考訳（メタデータ） (2021-02-15T16:59:30Z)
Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文参考訳（メタデータ） (2020-06-19T21:04:47Z)
Optimization with Momentum: Dynamical, Control-Theoretic, and Symplectic Perspectives [97.16266088683061]
この論文は、運動量に基づく最適化アルゴリズムにおいてシンプレクティックな離散化スキームが重要であることを厳格に証明している。これは加速収束を示すアルゴリズムの特性を提供する。
論文参考訳（メタデータ） (2020-02-28T00:32:47Z)

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。