Fugu-MT 論文翻訳(概要): Sparsifying Parametric Models with L0 Regularization

論文の概要: Sparsifying Parametric Models with L0 Regularization

arxiv url: http://arxiv.org/abs/2409.03489v1
Date: Thu, 5 Sep 2024 12:56:39 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 20:40:17.891318
Title: Sparsifying Parametric Models with L0 Regularization
Title（参考訳）: L0規則化によるパラメトリックモデルのスポーリング
Authors: Nicolò Botteghi, Urban Fasel,
Abstract要約: 本論文は,L0正則化を用いたパラメトリックモデルのスパース化問題に関する教育的紹介を含む。本手法は辞書学習と併用して深部強化学習のためのスパースポリシーを学習し,偏微分方程式を制御する。
参考スコア（独自算出の注目度）: 0.5919433278490629
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This document contains an educational introduction to the problem of sparsifying parametric models with L0 regularization. We utilize this approach together with dictionary learning to learn sparse polynomial policies for deep reinforcement learning to control parametric partial differential equations. The code and a tutorial are provided here: https://github.com/nicob15/Sparsifying-Parametric-Models-with-L0.
Abstract（参考訳）: 本論文は,L0正則化を用いたパラメトリックモデルのスパース化問題に関する教育的紹介を含む。我々は,この手法を辞書学習と併用して,パラメトリック偏微分方程式を制御する深層強化学習のための疎多項式ポリシーを学習する。 https://github.com/nicob15/Sparsifying-Parametric-Models-with-L0.com(source)。

関連論文リスト

Improving generalization in large language models by learning prefix subspaces [5.911540700785975]
本稿では、希少なデータ構造における大規模言語モデル(LLM)の微調整に焦点を当てる("few-shot"学習環境としても知られる)。ニューラルネットワーク部分空間に基づくLLMの一般化能力を向上させる手法を提案する。
論文参考訳（メタデータ） (2023-10-24T12:44:09Z)
Symmetric Equilibrium Learning of VAEs [56.56929742714685]
可変オートエンコーダ(VAE)をデコーダ-エンコーダペアとみなし,データ空間内の分布を潜在空間内の分布にマッピングする。本研究では,エンコーダとデコーダに対して対称なナッシュ均衡学習手法を提案し,データと潜伏分布の両方がサンプリングによってのみアクセス可能な状況下でのVAEの学習を可能にする。
論文参考訳（メタデータ） (2023-07-19T10:27:34Z)
Implementation and (Inverse Modified) Error Analysis for implicitly-templated ODE-nets [0.0]
我々は,暗黙的な数値初期値問題解法に基づいてテンプレート化されたODE-netを用いてデータから未知のダイナミクスを学習することに焦点を当てた。我々は,非ロール型暗黙的スキームを用いて,ODE-netの逆修正誤り解析を行い,解釈を容易にする。我々は,誤差のレベルを監視し,暗黙的な解反復数に適応する適応アルゴリズムを定式化する。
論文参考訳（メタデータ） (2023-03-31T06:47:02Z)
On the Implicit Geometry of Cross-Entropy Parameterizations for Label-Imbalanced Data [26.310275682709776]
ラベインバランスデータの重み付きCE大モデルに代わるものとして,クロスエントロピー(CE)損失のロジット調整パラメータ化が提案されている。マイノリティ不均衡比に関係なく,ロジット調整パラメータ化を適切に調整して学習することができることを示す。
論文参考訳（メタデータ） (2023-03-14T03:04:37Z)
Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文参考訳（メタデータ） (2022-03-23T12:52:49Z)
Implicit Parameter-free Online Learning with Truncated Linear Models [51.71216912089413]
パラメータフリーアルゴリズムは、設定された学習率を必要としないオンライン学習アルゴリズムである。そこで我々は,「単純」なフレーバーを持つ新しい更新によって,切り離された線形モデルを活用できる新しいパラメータフリーアルゴリズムを提案する。後悔の新たな分解に基づいて、新しい更新は効率的で、各ステップで1つの勾配しか必要とせず、切り捨てられたモデルの最小値をオーバーシュートすることはない。
論文参考訳（メタデータ） (2022-03-19T13:39:49Z)
Exponential Family Model-Based Reinforcement Learning via Score Matching [97.31477125728844]
有限水平表層強化学習(RL)のための楽観的モデルベースアルゴリズムSMRLを提案する。 SMRLは、リッジ回帰によるモデルパラメータの効率的な推定を可能にする非正規化密度推定手法であるスコアマッチングを用いる。
論文参考訳（メタデータ） (2021-12-28T15:51:07Z)
Test Set Sizing Via Random Matrix Theory [91.3755431537592]
本稿ではランダム行列理論の手法を用いて、単純な線形回帰に対して理想的なトレーニング-テストデータ分割を求める。それは「理想」を整合性計量を満たすものとして定義し、すなわち経験的モデル誤差は実際の測定ノイズである。本論文は,任意のモデルのトレーニングとテストサイズを,真に最適な方法で解決した最初の論文である。
論文参考訳（メタデータ） (2021-12-11T13:18:33Z)
Determinantal Point Processes Implicitly Regularize Semi-parametric Regression Problems [13.136143245702915]
半パラメトリックモデルを近似するための有限決定点過程(DPP)について論じる。この形式主義の助けを借りて、決定的サンプリングの暗黙的な正則化効果を示す重要なアイデンティティを導出する。また、新しい射影Nystr"om近似が定義され、対応する近似に対する期待されるリスクを導出するために使用される。
論文参考訳（メタデータ） (2020-11-13T15:22:16Z)
Parametric UMAP embeddings for representation and semi-supervised learning [0.03823356975862005]
UMAPは、構造化データの低次元埋め込みを見つけるための非パラメトリックグラフに基づく次元減少アルゴリズムである。パラメトリックUMAPは,学習されたパラメトリックマッピングの利点を考慮しつつ,非パラメトリックマップと同等に動作することを示す。次に、UMAPを正規化として検討し、オートエンコーダの潜伏分布を制限し、パラメトリック的に変化したグローバル構造保存を行い、半教師付き学習における分類器の精度を向上させる。
論文参考訳（メタデータ） (2020-09-27T23:45:00Z)
Adaptive Correlated Monte Carlo for Contextual Categorical Sequence Generation [77.7420231319632]
我々は,モンテカルロ (MC) ロールアウトの集合を分散制御のために評価する政策勾配推定器に,カテゴリー列の文脈的生成を適用する。また,二分木ソフトマックスモデルに相関したMCロールアウトを用いることで,大語彙シナリオにおける高生成コストを低減できることを示す。
論文参考訳（メタデータ） (2019-12-31T03:01:55Z)

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。