論文の概要: Thermodynamic limit in learning period three

• arxiv url: http://arxiv.org/abs/2405.08825v1
• Date: Sun, 12 May 2024 17:57:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-16 15:24:45.348686
• Title: Thermodynamic limit in learning period three
• Title（参考訳）: 学習3期における熱力学限界
• Authors: Yuichiro Terasaki, Kohei Nakajima,
• Abstract要約: 周期 3 の連続した一次元写像はすべての周期を含む。 周期軌道は3つのデータポイントのみを学習することで得られるか? ランダムニューラルネットワークを用いた学習期間3について検討し,それに関連する普遍性について報告する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A continuous one-dimensional map with period three includes all periods. This raises the following question: Can we obtain any types of periodic orbits solely by learning three data points? We consider learning period three with random neural networks and report the universal property associated with it. We first show that the trained networks have a thermodynamic limit that depends on the choice of target data and network settings. Our analysis reveals that almost all learned periods are unstable and each network has its characteristic attractors (which can even be untrained ones). Here, we propose the concept of characteristic bifurcation expressing embeddable attractors intrinsic to the network, in which the target data points and the scale of the network weights function as bifurcation parameters. In conclusion, learning period three generates various attractors through characteristic bifurcation due to the stability change in latently existing numerous unstable periods of the system.
• Abstract（参考訳）: 周期 3 の連続した一次元写像はすべての周期を含む。 周期軌道は3つのデータポイントだけを学習することで得られるのか? ランダムニューラルネットワークを用いた学習期間3について検討し,それに関連する普遍性について報告する。 まず、トレーニングされたネットワークには、ターゲットデータとネットワーク設定の選択に依存する熱力学的制限があることを示します。 分析の結果,学習期間のほとんどすべてが不安定であり,各ネットワークに特有のアトラクタ(トレーニングされていない場合もある)があることがわかった。 本稿では,ネットワークに固有の埋め込み型アトラクタを表現した特性分岐の概念を提案し,対象データポイントとネットワーク重みのスケールを分岐パラメータとして機能させる。 結論として、学習期間3は、システムの最近に存在する多数の不安定な期間の安定性の変化により、特徴的分岐によって様々な誘引子を生成する。

関連論文リスト

• Memorization with neural nets: going beyond the worst case [5.662924503089369]
  実際には、ディープニューラルネットワークはトレーニングデータを簡単に補間できることが多い。 しかし、実世界のデータについては、暗記能力によって提案されるよりもネットワークサイズが小さいような良質な構造の存在を直感的に期待する。 2つのクラスを持つ固定有限データセットを与えられた場合、高い確率で3層ニューラルネットワークを時間内に補間する単純なランダム化アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2023-09-30T10:06:05Z)
• Critical Learning Periods Emerge Even in Deep Linear Networks [102.89011295243334]
  クリティカルラーニング期間(Critical Learning periods)は、一時的な感覚障害が行動や学習表現に恒久的な影響を及ぼす発達初期の期間である。 生物学的ネットワークと人工ネットワークの急激な違いにもかかわらず、両方のシステムで臨界学習期間が経験的に観察されている。
  論文  参考訳（メタデータ） (2023-08-23T16:01:50Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Curvature-informed multi-task learning for graph networks [56.155331323304]
  最先端のグラフニューラルネットワークは、複数の特性を同時に予測しようとする。 この現象の潜在的な説明として、各特性の損失面の曲率が大きく異なり、非効率な学習につながる可能性がある。
  論文  参考訳（メタデータ） (2022-08-02T18:18:41Z)
• Predicting the Stability of Hierarchical Triple Systems with Convolutional Neural Networks [68.8204255655161]
  本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。 すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
  論文  参考訳（メタデータ） (2022-06-24T17:58:13Z)
• DEPTS: Deep Expansion Learning for Periodic Time Series Forecasting [83.60876685008225]
  PTS予測のための深層拡張学習フレームワークDEPTSを導入する。 DEPTSは、周期状態を隠れ変数として導入することで、分離された定式化から始まる。 我々の2つのカスタマイズされたモジュールは、局所的なモーメントまたはグローバルな周期性に予測を帰属させるなど、ある程度の解釈可能な能力を持っている。
  論文  参考訳（メタデータ） (2022-03-15T06:51:58Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Chaos as an interpretable benchmark for forecasting and data-driven modelling [7.6146285961466]
  カオスシステムは、現代の統計的学習技術に固有の課題を生んでいる。 本稿では,天体物理学,気候学,生化学などの分野にまたがるカオス力学系131のデータベースについて述べる。
  論文  参考訳（メタデータ） (2021-10-11T13:39:41Z)
• Demand Forecasting in Bike-sharing Systems Based on A Multiple Spatiotemporal Fusion Network [7.13331917356962]
  BSSの需要予測には空間的・時間的ダイナミクスが不可欠である。 MSTF-Netは3D畳み込みネットワーク(3D-CNN)ブロック、理想的3D畳み込み長短期メモリ(E3D-LSTM)ブロック、完全接続ネットワークという複数のネットワークで構成されている。 2つの実世界のデータセットに対して、MSTF-Netは7つの最先端モデルより優れていることが示されている。
  論文  参考訳（メタデータ） (2020-09-23T06:51:23Z)
• Entanglement formation in continuous-variable random quantum networks [1.14219428942199]
  絡み合いは、実用的な情報処理タスクにおいて量子アドバンテージを実現する重要なリソースである。 本研究では、任意のネットワーク上のアンサンブル平均エンタングルメントダイナミクスをグラフ上のランダムウォークプロセスにマッピングすることにより、連続変数量子ネットワークに研究を拡張する。 我々は、スキーズが絡み合いの発生源であり、放物的光円錐による絡み合いの拡散を引き起こす。
  論文  参考訳（メタデータ） (2020-05-26T18:00:22Z)

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。