Fugu-MT 論文翻訳(概要): A universal approximation theorem for nonlinear resistive networks

論文の概要: A universal approximation theorem for nonlinear resistive networks

arxiv url: http://arxiv.org/abs/2312.15063v1
Date: Fri, 22 Dec 2023 21:01:16 GMT
ステータス: 処理完了
システム内更新日: 2023-12-27 19:59:05.144943
Title: A universal approximation theorem for nonlinear resistive networks
Title（参考訳）: 非線形抵抗ネットワークに対する普遍近似定理
Authors: Benjamin Scellier, Siddhartha Mishra
Abstract要約: レジストレータネットワークは近年、エネルギー効率のよい自己学習マシンの基盤として関心を集めている。本稿では, 電圧源, 線形抵抗器, ダイオード, 電圧制御電圧源からなる電気ネットワークが, 連続的な機能を実現す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）: 16.05126152926668
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Resistor networks have recently had a surge of interest as substrates for energy-efficient self-learning machines. This work studies the computational capabilities of these resistor networks. We show that electrical networks composed of voltage sources, linear resistors, diodes and voltage-controlled voltage sources (VCVS) can implement any continuous functions. To prove it, we assume that the circuit elements are ideal and that the conductances of variable resistors and the amplification factors of the VCVS's can take arbitrary values -- arbitrarily small or arbitrarily large. The constructive nature of our proof could also inform the design of such self-learning electrical networks.
Abstract（参考訳）: レジストレータネットワークは近年、エネルギー効率のよい自己学習マシンの基盤として注目されている。この研究は、これらの抵抗ネットワークの計算能力を研究する。電圧源,リニア抵抗器,ダイオード,電圧制御電圧源(vcvs)からなる電気ネットワークは,任意の連続機能を実現することができることを示す。これを証明するために、回路要素は理想的であり、可変抵抗器のコンダクタンスとvcvsの増幅係数は任意に小さく、あるいは任意に大きい値を取ることができると仮定する。また,本稿では,このような自己学習型電気ネットワークの設計について述べる。

関連論文リスト

Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文参考訳（メタデータ） (2023-10-02T03:25:32Z)
Recurrent Neural Networks as Electrical Networks, a formalization [0.0]
本稿では,アナログ回路とニューラルネットワークの等価性を正式に得る方法を示す。また、これらの電気ネットワークが満たさなければならない特性についても示す。
論文参考訳（メタデータ） (2023-04-11T15:15:04Z)
Neural networks trained with SGD learn distributions of increasing complexity [78.30235086565388]
勾配降下法を用いてトレーニングされたニューラルネットワークは、まず低次入力統計を用いて入力を分類する。その後、トレーニング中にのみ高次の統計を利用する。本稿では,DSBと他の単純度バイアスとの関係について論じ,学習における普遍性の原理にその意味を考察する。
論文参考訳（メタデータ） (2022-11-21T15:27:22Z)
Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文参考訳（メタデータ） (2022-03-29T21:18:47Z)
Towards Understanding Theoretical Advantages of Complex-Reaction Networks [77.34726150561087]
パラメータ数を用いて,関数のクラスを複素反応ネットワークで近似できることを示す。経験的リスク最小化については,複素反応ネットワークの臨界点集合が実数値ネットワークの固有部分集合であることを示す。
論文参考訳（メタデータ） (2021-08-15T10:13:49Z)
A Gradient Estimator for Time-Varying Electrical Networks with Non-Linear Dissipation [0.0]
電気回路理論を用いて、深層指向ニューラルネットワークを記述できるラグランジアンを構築する。シナプスコンダクタンスなどのネットワークの物理パラメータの勾配を推定するための推定器を導出する。結論として,これらの結果を生物学的に妥当なニューロンのネットワークに拡張する方法を提案する。
論文参考訳（メタデータ） (2021-03-09T02:07:39Z)
On reaction network implementations of neural networks [0.0]
本稿では,(フィードフォワード)ニューラルネットワークの実装に決定論的にモデル化された化学反応ネットワークの利用について述べる。ニューラルネットワークのある種の反応ネットワーク実装に付随する常微分方程式(ODE)が望ましい性質を持つことを示す。
論文参考訳（メタデータ） (2020-10-26T02:37:26Z)
Universal Approximation Power of Deep Residual Neural Networks via Nonlinear Control Theory [9.210074587720172]
我々は、幾何学的非線形制御により、ディープ残差ニューラルネットワークの普遍近似能力を説明する。残余ネットワークと制御システムとのリンクを確立する最近の研究に触発されて、残余ネットワークが普遍近似の力を持つための一般的な条件を提供する。
論文参考訳（メタデータ） (2020-07-12T14:53:30Z)
Neural Anisotropy Directions [63.627760598441796]
我々は、アーキテクチャの方向性誘導バイアスをカプセル化するベクトルとして、神経異方性方向(NAD)を定義する。 CIFAR-10データセットでは、NADはCNNが異なるクラス間で識別するために使用する特徴を特徴付ける。
論文参考訳（メタデータ） (2020-06-17T08:36:28Z)
Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文参考訳（メタデータ） (2020-06-02T23:38:35Z)

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。