Fugu-MT 論文翻訳(概要): Projection Methods for Operator Learning and Universal Approximation

論文の概要: Projection Methods for Operator Learning and Universal Approximation

arxiv url: http://arxiv.org/abs/2406.12264v1
Date: Tue, 18 Jun 2024 04:44:05 GMT
ステータス: 処理完了
システム内更新日: 2024-06-19 20:45:27.825867
Title: Projection Methods for Operator Learning and Universal Approximation
Title（参考訳）: 演算子学習とユニバーサル近似のための投影法
Authors: Emanuele Zappala,
Abstract要約: 任意のバナッハ空間上の連続作用素に対するリーレー・シャウダー写像を用いた新しい普遍近似定理を得る。バナッハ空間において、複数の変数を持つ関数の$Lp$を演算子学習法として導入し、研究する。
参考スコア（独自算出の注目度）: 0.6993026261767287
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We obtain a new universal approximation theorem for continuous operators on arbitrary Banach spaces using the Leray-Schauder mapping. Moreover, we introduce and study a method for operator learning in Banach spaces $L^p$ of functions with multiple variables, based on orthogonal projections on polynomial bases. We derive a universal approximation result for operators where we learn a linear projection and a finite dimensional mapping under some additional assumptions. For the case of $p=2$, we give some sufficient conditions for the approximation results to hold. This article serves as the theoretical framework for a deep learning methodology whose implementation will be provided in subsequent work.
Abstract（参考訳）: 任意のバナッハ空間上の連続作用素に対するリーレー・シャウダー写像を用いた新しい普遍近似定理を得る。さらに、多項式基底上の直交射影に基づいて、複数の変数を持つ関数のバナッハ空間$L^p$における演算子学習法を紹介し、研究する。線型射影と有限次元写像をいくつかの仮定で学習する作用素に対する普遍近似結果を得る。 p=2$の場合、近似結果を保持するのに十分な条件を与える。本稿では、その後の研究で実装が提供される深層学習方法論の理論的枠組みとして機能する。

関連論文リスト

Operator Learning of Lipschitz Operators: An Information-Theoretic Perspective [2.375038919274297]
この研究は、リプシッツ連続作用素の一般クラスに対する神経作用素近似の複雑さに対処する。我々の主な貢献は、2つの近似設定におけるリプシッツ作用素の計量エントロピーの低い境界を確立することである。使用したアクティベーション関数にかかわらず、近似精度が$epsilon$に達する神経オペレーターアーキテクチャは、$epsilon-1$で指数関数的に大きいサイズでなければならない。
論文参考訳（メタデータ） (2024-06-26T23:36:46Z)
Imitation Learning in Discounted Linear MDPs without exploration assumptions [58.81226849657474]
ILARLと呼ばれる無限水平線形MDPにおける模倣学習のための新しいアルゴリズムを提案する。特に、所望の精度$epsilon$から$mathcalObrepsilon-5$から$mathcalObrepsilon-4$への依存を改善します。線形関数近似による数値実験により、ILARLは他のよく使われるアルゴリズムよりも優れていることが示された。
論文参考訳（メタデータ） (2024-05-03T15:28:44Z)
Finite-dimensional approximations of push-forwards on locally analytic functionals and truncation of least-squares polynomials [5.787117733071417]
本稿では,有限離散データから解析マップを解析するための理論的枠組みを提案する。我々のアプローチは、解析写像そのものを直接扱うのではなく、局所解析関数の空間上のプッシュフォワードを考えることである。
論文参考訳（メタデータ） (2024-04-16T17:53:59Z)
On a Neural Implementation of Brenier's Polar Factorization [24.48716080522871]
1991年、ブレニエは正方行列の極分解を任意のベクトル場 $F:mathbbRdright mathbbRdarrow に PSD $times$ Unitary として分解する定理を証明した。本稿では,偏波分解定理の実践的実装を提案し,機械学習における可能性を探る。
論文参考訳（メタデータ） (2024-03-05T15:59:54Z)
Provable General Function Class Representation Learning in Multitask Bandits and MDPs [58.624124220900306]
マルチタスク表現学習は、サンプル効率を高めるために強化学習において一般的なアプローチである。本研究では,解析結果を一般関数クラス表現に拡張する。バンディットと線形MDPの一般関数クラスにおけるマルチタスク表現学習の利点を理論的に検証する。
論文参考訳（メタデータ） (2022-05-31T11:36:42Z)
Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
論文参考訳（メタデータ） (2022-04-20T21:15:38Z)
Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文参考訳（メタデータ） (2022-02-11T13:51:30Z)
Nonparametric approximation of conditional expectation operators [0.3655021726150368]
最小の仮定の下で、$[Pf](x) := mathbbE[f(Y) mid X = x ]$ で定義される$L2$-operatorの近似について検討する。我々は、再生されたカーネル空間上で作用するヒルベルト・シュミット作用素により、作用素ノルムにおいて$P$が任意に適切に近似できることを証明した。
論文参考訳（メタデータ） (2020-12-23T19:06:12Z)
Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文参考訳（メタデータ） (2020-12-09T20:19:32Z)
Reinforcement Learning with General Value Function Approximation: Provably Efficient Approach via Bounded Eluder Dimension [124.7752517531109]
一般値関数近似を用いた効率の良い強化学習アルゴリズムを確立する。我々のアルゴリズムは、$d$が複雑性測度である場合、$widetildeO(mathrmpoly(dH)sqrtT)$の後悔の限界を達成することを示す。我々の理論は線形値関数近似によるRLの最近の進歩を一般化し、環境モデルに対する明示的な仮定をしない。
論文参考訳（メタデータ） (2020-05-21T17:36:09Z)

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。