論文の概要: Kuramoto Oscillators and Swarms on Manifolds for Geometry Informed Machine Learning

• arxiv url: http://arxiv.org/abs/2405.09453v1
• Date: Wed, 15 May 2024 15:48:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-16 13:06:44.692515
• Title: Kuramoto Oscillators and Swarms on Manifolds for Geometry Informed Machine Learning
• Title（参考訳）: 幾何インフォームド機械学習のためのマニフォールド上の倉本振動子と群れ
• Authors: Vladimir Jacimovic,
• Abstract要約: 本研究では,非ユークリッドデータセット上での機械学習に倉本モデルを用いることを提案する。 我々は、粒子の連続極限において異なる倉本モデルで生じる統計モデルを使うことを好んで論じる。
• 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 propose the idea of using Kuramoto models (including their higher-dimensional generalizations) for machine learning over non-Euclidean data sets. These models are systems of matrix ODE's describing collective motions (swarming dynamics) of abstract particles (generalized oscillators) on spheres, homogeneous spaces and Lie groups. Such models have been extensively studied from the beginning of XXI century both in statistical physics and control theory. They provide a suitable framework for encoding maps between various manifolds and are capable of learning over spherical and hyperbolic geometries. In addition, they can learn coupled actions of transformation groups (such as special orthogonal, unitary and Lorentz groups). Furthermore, we overview families of probability distributions that provide appropriate statistical models for probabilistic modeling and inference in Geometric Deep Learning. We argue in favor of using statistical models which arise in different Kuramoto models in the continuum limit of particles. The most convenient families of probability distributions are those which are invariant with respect to actions of certain symmetry groups.
• Abstract（参考訳）: 非ユークリッドデータセット上での機械学習に倉本モデル(高次元一般化を含む)を用いることを提案する。 これらのモデルは、球面、均質空間およびリー群上の抽象粒子(一般化振動子)の集合運動(スウォーミングダイナミクス)を記述する行列ODEのシステムである。 このようなモデルは、統計物理学と制御理論の両方において、XXI世紀初めから広く研究されてきた。 それらは、様々な多様体間の写像を符号化するのに適したフレームワークを提供し、球面および双曲幾何学について学ぶことができる。 さらに、変換群の結合作用(特殊直交群、ユニタリ群、ローレンツ群など)を学習することができる。 さらに,幾何深層学習における確率的モデリングと推論に適切な統計モデルを提供する確率分布の家系を概説する。 我々は、粒子の連続極限において異なる倉本モデルで生じる統計モデルを使うことを好んで論じる。 確率分布の最も便利な族は、ある対称性群の作用に関して不変である族である。

関連論文リスト

• Guiding Time-Varying Generative Models with Natural Gradients on Exponential Family Manifold [5.000311680307273]
  時間変化生成モデルの進化は指数族多様体に射影できることを示す。 次に、自然な勾配降下スキームに従って、多様体上の射影を移動させることで生成モデルを訓練する。 指数族内の任意のパラメトリックモデルのクローズドフォーム更新ルールを特徴とするアルゴリズムの粒子バージョンを提案する。
  論文  参考訳（メタデータ） (2025-02-11T15:39:47Z)
• Wrapped Gaussian on the manifold of Symmetric Positive Definite Matrices [6.7523635840772505]
  円形および非平坦なデータ分布は、データ科学の様々な領域で広く使われている。 このようなデータの基盤となる幾何学を考慮に入れるための原則的なアプローチは、重要なものである。 この研究は、古典的な機械学習と統計手法をより複雑で構造化されたデータに拡張するための基礎となる。
  論文  参考訳（メタデータ） (2025-02-03T16:46:46Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• Low-Rank Constraints for Fast Inference in Structured Models [110.38427965904266]
  この研究は、大規模構造化モデルの計算とメモリの複雑さを低減するための単純なアプローチを示す。 言語モデリング,ポリフォニック・ミュージック・モデリング,教師なし文法帰納法,ビデオ・モデリングのためのニューラルパラメータ構造モデルを用いた実験により,我々の手法は大規模状態空間における標準モデルの精度と一致することを示した。
  論文  参考訳（メタデータ） (2022-01-08T00:47:50Z)
• Machine Learning Statistical Gravity from Multi-Region Entanglement Entropy [0.0]
  龍高柳の公式は量子絡み合いと幾何学を結びつける。 異なる結合次元のランダムテンソルネットワークのアンサンブルの絡み合い特性を重畳した顕微鏡モデルを提案する。 幾何的ゆらぎによって相互情報を効果的に媒介できることを示す。
  論文  参考訳（メタデータ） (2021-10-03T22:46:41Z)
• Probability Link Models with Symmetric Information Divergence [1.5749416770494706]
  リンクモデルの2つの一般的なクラスが提案されている。 最初のモデルは2つの生存関数を結び、比例奇数や変化点のようなモデルに適用できる。 2つ目のモデルは2つの累積確率分布関数をリンクする。
  論文  参考訳（メタデータ） (2020-08-10T19:49:51Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。