論文の概要: Machine-Learning Kronecker Coefficients
- arxiv url: http://arxiv.org/abs/2306.04734v1
- Date: Wed, 7 Jun 2023 19:10:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 17:49:56.071672
- Title: Machine-Learning Kronecker Coefficients
- Title(参考訳): 機械学習クロネッカー係数
- Authors: Kyu-Hwan Lee
- Abstract要約: 標準的な機械学習アルゴリズムは、与えられたクロネッカー係数がゼロかどうかを予測するために訓練される可能性があることを示す。
以上の結果から,このバイナリ分類を高精度で効率的に行うことが可能であることが示唆された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Kronecker coefficients are the decomposition multiplicities of the tensor
product of two irreducible representations of the symmetric group. Unlike the
Littlewood--Richardson coefficients, which are the analogues for the general
linear group, there is no known combinatorial description of the Kronecker
coefficients, and it is an NP-hard problem to decide whether a given Kronecker
coefficient is zero or not. In this paper, we show that standard
machine-learning algorithms such as Nearest Neighbors, Convolutional Neural
Networks and Gradient Boosting Decision Trees may be trained to predict whether
a given Kronecker coefficient is zero or not. Our results show that a trained
machine can efficiently perform this binary classification with high accuracy
($\approx 0.98$).
- Abstract(参考訳): クロネッカー係数は対称群の2つの既約表現のテンソル積の分解多重性である。
一般線型群の類似であるリトルウッド-リチャードソン係数とは異なり、クロネッカー係数の既知の組合せ的記述はなく、与えられたクロネッカー係数が 0 であるか否かを決定するのはnp-ハード問題である。
本稿では,近距離近傍,畳み込みニューラルネットワーク,勾配ブースティング決定木などの標準機械学習アルゴリズムを用いて,与えられたクロネッカー係数がゼロか否かを予測できることを示す。
以上の結果から,このバイナリ分類を高い精度で効率的に行うことができる(0.98$)。
関連論文リスト
- Limits to classification performance by relating Kullback-Leibler
divergence to Cohen's Kappa [0.0]
理論と手法は詳細に議論され、モンテカルロのデータと実際のデータセットに適用される。
いずれの場合も、この分析は、2つのクラスに対する基礎となる確率密度関数のために、アルゴリズムがこれ以上良い性能を発揮できなかったことを示している。
論文 参考訳(メタデータ) (2024-03-03T17:36:42Z) - Stochastic Optimization for Non-convex Problem with Inexact Hessian
Matrix, Gradient, and Function [99.31457740916815]
信頼領域(TR)と立方体を用いた適応正則化は、非常に魅力的な理論的性質を持つことが証明されている。
TR法とARC法はヘッセン関数,勾配関数,関数値の非コンパクトな計算を同時に行うことができることを示す。
論文 参考訳(メタデータ) (2023-10-18T10:29:58Z) - A remark on the quantum complexity of the Kronecker coefficients [1.6498361958317633]
我々は、対称群のクロネッカー係数の計算が複雑性クラス#BQPに含まれることを証明した。
これによりBravyi, Chowdhury, Gosset, Havlicek, Zhuの最近の結果が改善されている。
論文 参考訳(メタデータ) (2023-07-05T15:57:53Z) - Factorizers for Distributed Sparse Block Codes [62.38616784953048]
分散ブロック符号(SBC)は、固定ベクトルを用いてシンボルデータ構造を符号化し、操作するためのコンパクトな表現を示す。
主要な課題の1つは、可能なすべての組み合わせを探索することなく、そのようなデータ構造を構成要素に切り離し、あるいは分解することである。
GSBCと呼ばれるより柔軟で一般化されたSBCを分解する高速かつ高精度な手法を提案する。
論文 参考訳(メタデータ) (2023-03-24T12:31:48Z) - Quantum complexity of the Kronecker coefficients [2.2983894078587963]
与えられたクロネッカー係数は、QMA検証器の受理証人によって区切られたベクトル空間の次元をカウントすることを示す。
これは、クロネッカー係数を与えられた相対誤差の範囲内で近似することは、ある量子近似数え上げ問題の自然クラスよりも難しくないことを意味する。
論文 参考訳(メタデータ) (2023-02-22T15:43:26Z) - On Algebraic Constructions of Neural Networks with Small Weights [21.915057426589748]
神経ゲートの重みサイズ,回路サイズ,深さのトレードオフについて検討した。
具体的には、任意の係数を持つ1つの線型方程式が与えられたとき、より小さい(一定の)係数を持つ線形方程式系を用いてそれを表現したい。
EQUALITY関数を計算するために,定数重み付き最適サイズ行列を明示的に構築する。
我々はComparISON関数を計算するために最もよく知られたウェイトサイズ(線形)行列の存在を証明した。
論文 参考訳(メタデータ) (2022-05-17T00:09:23Z) - Understanding Interlocking Dynamics of Cooperative Rationalization [90.6863969334526]
選択的合理化(Selective rationalization)は、ニューラルネットワークの出力を予測するのに十分な入力の小さなサブセットを見つけることによって、複雑なニューラルネットワークの予測を説明する。
このような合理化パラダイムでは,モデルインターロックという大きな問題が浮かび上がっている。
A2Rと呼ばれる新しい合理化フレームワークを提案し、アーキテクチャに第3のコンポーネントを導入し、選択とは対照的にソフトアテンションによって駆動される予測器を提案する。
論文 参考訳(メタデータ) (2021-10-26T17:39:18Z) - Permutation Compressors for Provably Faster Distributed Nonconvex
Optimization [68.8204255655161]
本稿では,Gorbunov et al (2021) の MARINA 法が,理論的な通信複雑性の観点から最先端の手法とみなすことができることを示す。
MARINAの理論は、古典的な独立圧縮機設定を超えて、潜在的にエミュレートされた圧縮機の理論を支持するものである。
論文 参考訳(メタデータ) (2021-10-07T09:38:15Z) - Spectral clustering under degree heterogeneity: a case for the random
walk Laplacian [83.79286663107845]
本稿では,ランダムウォークラプラシアンを用いたグラフスペクトル埋め込みが,ノード次数に対して完全に補正されたベクトル表現を生成することを示す。
次数補正ブロックモデルの特別な場合、埋め込みはK個の異なる点に集中し、コミュニティを表す。
論文 参考訳(メタデータ) (2021-05-03T16:36:27Z) - Dominant Z-Eigenpairs of Tensor Kronecker Products are Decoupled and
Applications to Higher-Order Graph Matching [0.0]
テンソル・クロネッカー積の優越ベクトルを分解する定理を示す。
ネットワークアライメントアルゴリズムTAMEにおける低ランク構造について検討する。
論文 参考訳(メタデータ) (2020-11-17T18:55:48Z) - Robustly Learning any Clusterable Mixture of Gaussians [55.41573600814391]
本研究では,高次元ガウス混合系の対向ロバスト条件下での効率的な学習性について検討する。
理論的に最適に近い誤り証明である$tildeO(epsilon)$の情報を、$epsilon$-corrupted $k$-mixtureで学習するアルゴリズムを提供する。
我々の主な技術的貢献は、ガウス混合系からの新しい頑健な識別可能性証明クラスターであり、これは正方形の定度証明システムによって捉えることができる。
論文 参考訳(メタデータ) (2020-05-13T16:44:12Z)
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。