Fugu-MT 論文翻訳(概要): Conformally Natural Families of Probability Distributions on Hyperbolic Disc with a View on Geometric Deep Learning

論文の概要: Conformally Natural Families of Probability Distributions on Hyperbolic Disc with a View on Geometric Deep Learning

arxiv url: http://arxiv.org/abs/2407.16733v1
Date: Tue, 23 Jul 2024 15:32:21 GMT
ステータス: 処理完了
システム内更新日: 2024-07-25 15:54:04.443673
Title: Conformally Natural Families of Probability Distributions on Hyperbolic Disc with a View on Geometric Deep Learning
Title（参考訳）: 幾何学的深層学習を考慮した双曲円盤上の確率分布の等角自然ファミリ
Authors: Vladimir Jacimovic, Marijan Markovic,
Abstract要約: 双曲円盤上の確率分布の新しいファミリーを紹介する。群不変性は、双曲的データの不確実性を符号化するのに便利でトラクタブルなモデルである。
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 introduce the novel family of probability distributions on hyperbolic disc. The distinctive property of the proposed family is invariance under the actions of the group of disc-preserving conformal mappings. The group-invariance property renders it a convenient and tractable model for encoding uncertainties in hyperbolic data. Potential applications in Geometric Deep Learning and bioinformatics are numerous, some of them are briefly discussed. We also emphasize analogies with hyperbolic coherent states in quantum physics.
Abstract（参考訳）: 双曲円盤上の確率分布の新しいファミリーを紹介する。提案された族の特徴は、離散保存同型写像群の作用の下での不変性である。群不変性は、双曲的データの不確実性を符号化するのに便利でトラクタブルなモデルである。 Geometric Deep Learningとバイオインフォマティクスの潜在的な応用は多数あり、その一部は簡単に議論されている。また、量子物理学における双曲コヒーレント状態との類似性も強調する。

関連論文リスト

Kuramoto Oscillators and Swarms on Manifolds for Geometry Informed Machine Learning [0.0]
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。
論文参考訳（メタデータ） (2024-05-15T15:48:11Z)
Hyperbolic Delaunay Geometric Alignment [52.835250875177756]
双曲空間におけるデータセットの比較のための類似度スコアを提案する。中心となる考え方は、与えられた集合をまたいだデータポイントを接続する双曲デラウネーグラフのエッジを数えることである。人工および実生活の生物学的データに関する実証的研究を行い、HyperDGAが集合間の古典的距離の双曲バージョンより優れていることを示す。
論文参考訳（メタデータ） (2024-04-12T17:14:58Z)
Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文参考訳（メタデータ） (2024-03-02T00:56:05Z)
Topological Obstructions and How to Avoid Them [22.45861345237023]
局所最適性は特異点や不正確な次数や巻数によって生じる可能性があることを示す。本稿では,データポイントを幾何学空間上のマルチモーダル分布にマッピングするフローベースモデルを提案する。
論文参考訳（メタデータ） (2023-12-12T18:56:14Z)
Alignment and Outer Shell Isotropy for Hyperbolic Graph Contrastive Learning [69.6810940330906]
高品質なグラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
論文参考訳（メタデータ） (2023-10-27T15:31:42Z)
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)
A Rotated Hyperbolic Wrapped Normal Distribution for Hierarchical Representation Learning [9.980145127016172]
回転型双曲型包括正規分布 (RoWN) は, 単純かつ効果的な双曲型包括正規分布 (HWN) の変化である。本研究では,確率モデルにおける分布の標準選択である対角HWNの幾何学的性質を解析する。新たに提案されたディストリビューションであるRoWNは,ノイズの多い合成二分木,WordNet,Atari 2600 Breakoutなど,さまざまな階層的データセットの制限を緩和できることを示す。
論文参考訳（メタデータ） (2022-05-25T07:21:45Z)
HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文参考訳（メタデータ） (2022-04-18T06:11:44Z)
Proofs of network quantum nonlocality aided by machine learning [68.8204255655161]
我々は[DOI40103/PhysRevLett.123.140]の量子三角形分布の族が、元の証明よりも広い範囲の三角形局所モデルを認めていないことを示した。我々は、独立な利害関係を持つ二項結果を持つ三角形のシナリオに対して、ネットワークベルの不等式を大量に収集する。
論文参考訳（メタデータ） (2022-03-30T18:00:00Z)
Lagrangian and Hamiltonian Mechanics for Probabilities on the Statistical Manifold [0.0]
非平坦形式論では、有限標本空間上の正の確率関数の全集合を考える。標準双対並列輸送を用いた1次元統計モデルの速度と加速度を計算する。我々は、我々の定式化が、確率単純性上の加速された自然勾配ダイナミクスのための一貫したフレームワークをいかに提供するかを示す。
論文参考訳（メタデータ） (2020-09-20T14:03:13Z)

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。