論文の概要: Complex-valued Adaptive System Identification via Low-Rank Tensor Decomposition

• arxiv url: http://arxiv.org/abs/2306.16428v1
• Date: Wed, 28 Jun 2023 07:01:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 16:14:59.387326
• Title: Complex-valued Adaptive System Identification via Low-Rank Tensor Decomposition
• Title（参考訳）: 低ランクテンソル分解による複素数値適応系同定
• Authors: Oliver Ploder, Christina Auer, Oliver Lang, Thomas Paireder, Mario Huemer
• Abstract要約: 本研究では、複素数値信号の処理を可能にする2つの新しいアーキテクチャを導出する。 これらの拡張は、パフォーマンスの観点から、オリジナルのアーキテクチャの自明で複雑な拡張を超えることができることを示す。
• 参考スコア（独自算出の注目度）: 3.268878947476012
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine learning (ML) and tensor-based methods have been of significant interest for the scientific community for the last few decades. In a previous work we presented a novel tensor-based system identification framework to ease the computational burden of tensor-only architectures while still being able to achieve exceptionally good performance. However, the derived approach only allows to process real-valued problems and is therefore not directly applicable on a wide range of signal processing and communications problems, which often deal with complex-valued systems. In this work we therefore derive two new architectures to allow the processing of complex-valued signals, and show that these extensions are able to surpass the trivial, complex-valued extension of the original architecture in terms of performance, while only requiring a slight overhead in computational resources to allow for complex-valued operations.
• Abstract（参考訳）: 機械学習(ML)とテンソルベースの手法は、ここ数十年、科学コミュニティにとって大きな関心を集めてきた。 以前の研究で、我々はテンソルのみのアーキテクチャの計算負荷を軽減しつつ、非常に優れた性能を達成できる新しいテンソルベースのシステム識別フレームワークを提示した。 しかし、導出手法は実数値問題のみを処理できるため、複雑な数値システムを扱う広範囲の信号処理や通信問題に直接適用できない。 そこで本研究では,複雑な数値信号の処理を可能にする2つの新しいアーキテクチャを導出し,これらの拡張が,計算資源のオーバーヘッドをわずかに必要とせず,複雑な数値信号の処理が可能なことを示す。

関連論文リスト

• TorchSISSO: A PyTorch-Based Implementation of the Sure Independence Screening and Sparsifying Operator for Efficient and Interpretable Model Discovery [0.0]
  記号回帰(SR)は、代数モデルの構造とパラメータの両方を探索する強力な機械学習手法である。 本稿では、PyTorchフレームワーク上に構築されたPythonネイティブ実装であるTorchSISSOを紹介する。 我々は,TorchSISSOが本来のSISSOの性能と様々なタスクで一致しているか,上回っていることを実証する。
  論文  参考訳（メタデータ） (2024-10-02T17:02:17Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• Building Blocks for a Complex-Valued Transformer Architecture [5.177947445379688]
  我々は、$mathbbR2$へのプロジェクションを使わずに、複雑な値の信号にディープラーニングを適用することを目指している。 本稿では,複雑な値を持つDot-Product Attention機構の複数バージョンと,複雑な値を持つレイヤの正規化について述べる。 我々は,MusicNetデータセットの分類とシーケンス生成タスクを検証し,実数値トランスフォーマーアーキテクチャと比較した場合のオンパー性能を維持しながら,オーバーフィッティングに対するロバスト性の向上を示した。
  論文  参考訳（メタデータ） (2023-06-16T13:11:15Z)
• Hierarchical-Hyperplane Kernels for Actively Learning Gaussian Process Models of Nonstationary Systems [5.1672267755831705]
  グラデーションベースの手法で学習可能なパーティショニングを組み込んだカーネルファミリーを提案する。 各種能動的学習課題における優れた性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-03-17T14:50:51Z)
• Sample-Efficient Reinforcement Learning in the Presence of Exogenous Information [77.19830787312743]
  実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。 本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。 内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
  論文  参考訳（メタデータ） (2022-06-09T05:19:32Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Bi-fidelity Modeling of Uncertain and Partially Unknown Systems using DeepONets [0.0]
  本稿では,複雑な物理系に対する双方向モデリング手法を提案する。 我々は、小さなトレーニングデータセットが存在する場合、真のシステムの応答と低忠実度応答の相違をモデル化する。 パラメトリック不確実性を持ち、部分的には未知なモデルシステムにアプローチを適用する。
  論文  参考訳（メタデータ） (2022-04-03T05:30:57Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• X-volution: On the unification of convolution and self-attention [52.80459687846842]
  本稿では,畳み込み操作と自己注意操作の両方からなるマルチブランチ基本モジュールを提案する。 提案したX-進化は、非常に競争力のある視覚的理解の改善を実現する。
  論文  参考訳（メタデータ） (2021-06-04T04:32:02Z)
• Local Function Complexity for Active Learning via Mixture of Gaussian Processes [5.382740428160009]
  実世界のデータにおける不均一性は、観測ノイズレベルの変化や源関数の構造的複雑さの変化により、統計的推測に固有の課題が生じる。 本稿では,局所関数複雑性(LFC)の推定に関する最近の理論的結果について述べる。 我々は、LPSベースのLFCのガウスプロセス回帰(GPR)に基づくアナログを導出、推定し、上記のフレームワークの代用として使用し、堅牢でスケーラブルにする。
  論文  参考訳（メタデータ） (2019-02-27T17:55:06Z)

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。