Fugu-MT 論文翻訳(概要): Hamiltonian Reconstruction: the Correlation Matrix and Incomplete Operator Bases

論文の概要: Hamiltonian Reconstruction: the Correlation Matrix and Incomplete Operator Bases

arxiv url: http://arxiv.org/abs/2311.09302v1
Date: Wed, 15 Nov 2023 19:00:11 GMT
ステータス: 処理完了
システム内更新日: 2023-11-17 18:08:54.908101
Title: Hamiltonian Reconstruction: the Correlation Matrix and Incomplete Operator Bases
Title（参考訳）: ハミルトン再構成 : 相関行列と不完全演算子基底
Authors: Lucas Z. Brito, Stephen Carr, J. Alexander Jacoby, J. B. Marston
Abstract要約: 未完成なベースと過完全なベース – 演算子の数が少ない,あるいは多すぎる – の影響について検討する。不完全なベースから再構成するための近似スキームを提案し、選択モデル上で数値的に実行した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We explore the robustness of the correlation matrix Hamiltonian reconstruction technique with respect to the choice of operator basis, studying the effects of bases that are undercomplete and over-complete -- too few or too many operators respectively. An approximation scheme for reconstructing from an undercomplete basis is proposed and performed numerically on select models. We discuss the confounding effects of conserved quantities and symmetries on reconstruction attempts. We apply these considerations to a variety of one-dimensional systems in zero- and finite-temperature regimes.
Abstract（参考訳）: 演算子基底の選択に関して相関行列ハミルトニアン再構成手法のロバスト性について検討し、不完全で過剰に完全であるベースの効果について検討する。不完全なベースから再構成するための近似スキームを提案し、選択モデル上で数値的に実行した。保存量と対称性が再建の試みに与える影響について考察する。これらの考察をゼロ温度および有限温度の様々な一次元系に適用する。

関連論文リスト

A Structure-Preserving Kernel Method for Learning Hamiltonian Systems [3.594638299627404]
構造保存されたカーネルリッジ回帰法は、潜在的に高次元かつ非線形なハミルトン関数の回復を可能にする。本稿では,勾配の線形関数を含む損失関数が要求される問題に対して,カーネル回帰法を拡張した。固定正則化パラメータと適応正則化パラメータを用いて収束率を提供する完全誤差解析を行う。
論文参考訳（メタデータ） (2024-03-15T07:20:21Z)
Multi-view Subspace Clustering via An Adaptive Consensus Graph Filter [4.3507834596906125]
近年,マルチビューサブスペースクラスタリング (MVSC) が注目されている。本稿では、コンセンサス再構成係数行列の存在を仮定し、コンセンサスグラフフィルタを構築する。各ビューでは、データをスムーズ化し、再構成係数行列の正規化器を設計する。
論文参考訳（メタデータ） (2024-01-30T02:03:18Z)
Neural Lattice Reduction: A Self-Supervised Geometric Deep Learning Approach [14.536819369925398]
本研究では,一様行列の因子を出力する深層ニューラルネットワークを設計し,非直交格子基底をペナルライズして自己指導的に学習する。
論文参考訳（メタデータ） (2023-11-14T13:54:35Z)
Regularization, early-stopping and dreaming: a Hopfield-like setup to address generalization and overfitting [0.0]
正規化損失関数に勾配降下を適用し,最適ネットワークパラメータを求める。この枠組みの中で、最適なニューロン相互作用行列は、繰り返し学習プロトコルによって修正されたヘビアン核に対応する。
論文参考訳（メタデータ） (2023-08-01T15:04:30Z)
Oracle-Preserving Latent Flows [58.720142291102135]
我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
論文参考訳（メタデータ） (2023-02-02T00:13:32Z)
The Dynamics of Riemannian Robbins-Monro Algorithms [101.29301565229265]
本稿では,Robins と Monro のセミナル近似フレームワークを一般化し拡張するリーマンアルゴリズムの族を提案する。ユークリッドのそれと比較すると、リーマンのアルゴリズムは多様体上の大域線型構造が欠如しているため、はるかに理解されていない。ユークリッド・ロビンス=モンロスキームの既存の理論を反映し拡張するほぼ確実な収束結果の一般的なテンプレートを提供する。
論文参考訳（メタデータ） (2022-06-14T12:30:11Z)
End-to-end reconstruction meets data-driven regularization for inverse problems [2.800608984818919]
本稿では,不適切な逆問題に対するエンド・ツー・エンドの再構成演算子を学習するための教師なしアプローチを提案する。提案手法は,古典的変分フレームワークと反復的アンローリングを組み合わせたものである。我々は,X線CT(Computerd tomography)の例で,最先端の教師なし手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-06-07T12:05:06Z)
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)
Reconstruction of Voxels with Position- and Angle-Dependent Weightings [66.25540976151842]
まず、システム行列と重み付け部分の観点から、この再構成問題を定式化する。擬似逆数を計算し、解が階数不足であり、従って非常に不適切であることを示す。
論文参考訳（メタデータ） (2020-10-27T11:29:47Z)
Estimation of Switched Markov Polynomial NARX models [75.91002178647165]
非線形自己回帰(NARX)成分を特徴とするハイブリッド力学系のモデル群を同定する。提案手法は, 特定の回帰器を持つ3つの非線形サブモデルからなるSMNARX問題に対して実証される。
論文参考訳（メタデータ） (2020-09-29T15:00:47Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。