論文の概要: Variable Hyperparameterized Gaussian Kernel using Displaced Squeezed Vacuum State

• arxiv url: http://arxiv.org/abs/2403.11560v1
• Date: Mon, 18 Mar 2024 08:25:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 16:07:12.749537
• Title: Variable Hyperparameterized Gaussian Kernel using Displaced Squeezed Vacuum State
• Title（参考訳）: 変位型真空状態を用いた可変超パラメータ化ガウス核
• Authors: Vivek Mehta, Utpal Roy,
• Abstract要約: 多モードコヒーレント状態は、ハイパーパラメータの定数値を持つガウス核を生成することができる。 この定数ハイパーパラメータは、複雑な学習問題に適用されるときにガウスカーネルの適用を制限する。 マルチモード変位真空状態の可変ハイパーパラメータ化カーネルを実現する。
• 参考スコア（独自算出の注目度）: 2.1408617023874443
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: There are schemes for realizing different types of kernels by quantum states of light. It is particularly interesting to realize the Gaussian kernel due to its wider applicability. A multimode coherent state can generate the Gaussian kernel with a constant value of hyperparameter. This constant hyperparameter has limited the application of the Gaussian kernel when it is applied to complex learning problems. We realize the variable hyperparameterized Gaussian kernel with a multimode-displaced squeezed vacuum state. The learning capacity of this kernel is tested with the support vector machines over some synthesized data sets as well as public benchmark data sets. We establish that the proposed variable hyperparameterized Gaussian kernel offers better accuracy over the constant Gaussian kernel.
• Abstract（参考訳）: 光の量子状態によって異なるタイプのカーネルを実現するためのスキームがある。 より広い適用性のためにガウス核を実現することは特に興味深い。 多モードコヒーレント状態は、ハイパーパラメータの定数値を持つガウス核を生成することができる。 この定数ハイパーパラメータは、複雑な学習問題に適用されるときのガウス核の応用を制限している。 マルチモード変位真空状態を持つ可変超パラメータ化ガウスカーネルを実現する。 このカーネルの学習能力は、いくつかの合成データセットと公開ベンチマークデータセットに対するサポートベクターマシンでテストされる。 提案した変数超パラメータ化ガウスカーネルは定数ガウスカーネルよりも精度が高いことを示す。

関連論文リスト

• New random projections for isotropic kernels using stable spectral distributions [0.0]
  スペクトルカーネル分布を$alpha$-stableランダムベクトルのスケール混合として分解する。 結果は、サポートベクターマシン、カーネルリッジレグレッション、その他のカーネルベースの機械学習技術に広く応用されている。
  論文  参考訳（メタデータ） (2024-11-05T03:28:01Z)
• Wiener Chaos in Kernel Regression: Towards Untangling Aleatoric and Epistemic Uncertainty [0.0]
  我々はこの設定を一般化し、加法的、すなわち非ガウス計測ノイズによるカーネルリッジ回帰を考える。 GP後部分布に符号化された全不確実性から,データサンプルのノイズから生じる不確かさを識別できることを示す。
  論文  参考訳（メタデータ） (2023-12-12T16:02:35Z)
• The Schr\"odinger Bridge between Gaussian Measures has a Closed Form [101.79851806388699]
  我々は OT の動的定式化(Schr"odinger bridge (SB) 問題)に焦点を当てる。 本稿では,ガウス測度間のSBに対する閉形式表現について述べる。
  論文  参考訳（メタデータ） (2022-02-11T15:59:01Z)
• Gaussian Process Uniform Error Bounds with Unknown Hyperparameters for Safety-Critical Applications [71.23286211775084]
  未知のハイパーパラメータを持つ設定において、ロバストなガウス過程の均一なエラー境界を導入する。 提案手法はハイパーパラメータの空間における信頼領域を計算し,モデル誤差に対する確率的上限を求める。 実験により、バニラ法やベイズ法よりもバニラ法の方がはるかに優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-06T17:10:01Z)
• Hida-Mat\'ern Kernel [8.594140167290098]
  定常ガウス・マルコフ過程の全空間上の共分散関数の正準族であるヒルダ・マタン核のクラスを示す。 カーネルとそのデリバティブのみを用いて状態空間モデルのようなプロセスを表現する方法を示す。 また,状態空間表現の特殊特性を活用することで,計算複雑性のさらなる低減に加えて,数値安定性の向上がもたらされることを示す。
  論文  参考訳（メタデータ） (2021-07-15T03:25:10Z)
• A Note on Optimizing Distributions using Kernel Mean Embeddings [94.96262888797257]
  カーネル平均埋め込みは、その無限次元平均埋め込みによる確率測度を表す。 カーネルが特徴的である場合、カーネルの総和密度を持つ分布は密度が高いことを示す。 有限サンプル設定でそのような分布を最適化するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2021-06-18T08:33:45Z)
• Kernel Identification Through Transformers [54.3795894579111]
  カーネル選択はガウス過程(GP)モデルの性能決定において中心的な役割を果たす。 この研究は、高次元GP回帰モデルのためのカスタムカーネル関数を構築するという課題に対処する。 KITT: Kernel Identification through Transformersを提案する。
  論文  参考訳（メタデータ） (2021-06-15T14:32:38Z)
• Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
  汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。 様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。 提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-10T18:17:57Z)
• Efficient construction of tensor-network representations of many-body Gaussian states [59.94347858883343]
  本稿では,多体ガウス状態のテンソルネットワーク表現を効率よく,かつ制御可能な誤差で構築する手法を提案する。 これらの状態には、量子多体系の研究に欠かせないボゾン系およびフェルミオン系二次ハミルトン系の基底状態と熱状態が含まれる。
  論文  参考訳（メタデータ） (2020-08-12T11:30:23Z)
• Strong Uniform Consistency with Rates for Kernel Density Estimators with General Kernels on Manifolds [11.927892660941643]
  本稿では,ユーザによって設計されていない複雑なカーネルを用いて,カーネル密度推定の処理方法を示す。 本稿では,統計社会においてよく考慮されるVapnik-Chervonenkisクラスのカーネルとは異なる異方性カーネルについて述べる。
  論文  参考訳（メタデータ） (2020-07-13T14:36:06Z)
• The Statistical Cost of Robust Kernel Hyperparameter Tuning [20.42751031392928]
  対向雑音下での能動回帰の設定におけるカーネルハイパーパラメータチューニングの統計的複雑さについて検討した。 カーネルクラスの複雑性の増大がカーネルハイパーパラメータの学習の複雑さを増大させるのを特徴付け、この問題に対する有限サンプル保証を提供する。
  論文  参考訳（メタデータ） (2020-06-14T21:56:33Z)

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。