Fugu-MT 論文翻訳(概要): Broadcast Product: Shape-aligned Element-wise Multiplication and Beyond

論文の概要: Broadcast Product: Shape-aligned Element-wise Multiplication and Beyond

arxiv url: http://arxiv.org/abs/2409.17502v1
Date: Thu, 26 Sep 2024 03:20:09 GMT
ステータス: 処理完了
システム内更新日: 2024-09-28 23:17:44.865816
Title: Broadcast Product: Shape-aligned Element-wise Multiplication and Beyond
Title（参考訳）: 放送製品:形状整列要素の乗算と超越
Authors: Yusuke Matsui, Tatsuya Yokota,
Abstract要約: 放送製品は、2つのテンソルの形状を整列するために要素を重複させた後、アダマール積を算出する。 textttnumpyのようなライブラリの複雑なテンソル操作は、放送された製品を使って数学的表現として簡潔に表現することができる。
参考スコア（独自算出の注目度）: 16.019630738617447
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a new operator defined between two tensors, the broadcast product. The broadcast product calculates the Hadamard product after duplicating elements to align the shapes of the two tensors. Complex tensor operations in libraries like \texttt{numpy} can be succinctly represented as mathematical expressions using the broadcast product. Finally, we propose a novel tensor decomposition using the broadcast product, highlighting its potential applications in dimensionality reduction.
Abstract（参考訳）: 本稿では,2つのテンソルの間に定義された新しい演算子,ブロードキャスト製品を提案する。放送製品は、2つのテンソルの形状を整列するために要素を重複させた後、アダマール積を算出する。 texttt{numpy} のようなライブラリにおける複素テンソル演算は、放送された積を用いて数学的表現として簡潔に表現することができる。最後に,放送製品を用いた新しいテンソル分解法を提案する。

関連論文リスト

Very Basics of Tensors with Graphical Notations: Unfolding, Calculations, and Decompositions [4.092862870428798]
この講義ノートはテンソルの基本と、それらを数学的記号やグラフィカル表記で表現する方法に関するものである。この講義ノートの目的は、テンソルの基本とそれらを数学的記号やグラフィカル表記で表現する方法を学ぶことである。
論文参考訳（メタデータ） (2024-11-25T05:02:35Z)
Tensor cumulants for statistical inference on invariant distributions [49.80012009682584]
我々は,PCAが信号の大きさの臨界値で計算的に困難になることを示す。我々は、与えられた次数の不変量に対して明示的でほぼ直交的な基底を与える新しい対象の集合を定義する。また、異なるアンサンブルを区別する新しい問題も分析できます。
論文参考訳（メタデータ） (2024-04-29T14:33:24Z)
Decomposition of linear tensor transformations [0.0]
本研究の目的は, 正確なテンソル分解のための数学的枠組みを開発することである。論文では3つの異なる問題を導出する。
論文参考訳（メタデータ） (2023-09-14T16:14:38Z)
Multidimensional Data Analysis Based on Block Convolutional Tensor Decomposition [1.1674893622721483]
我々は、反射境界条件を持つブロック畳み込みに基づく$star_ctext-Product$と呼ばれる新しいテンソルテンソル製品を提案する。また、任意の順序テンソルに対して$star_ctext-Product$に基づくテンソル分解を導入する。 t-SVDと比較して、新しい分解は複雑さが低く、分類や圧縮などの応用において、より高品質な結果が得られることを示す実験結果が得られた。
論文参考訳（メタデータ） (2023-08-03T13:58:21Z)
Neural Wavelet-domain Diffusion for 3D Shape Generation, Inversion, and Manipulation [54.09274684734721]
本稿では,ウェーブレット領域における連続的な暗黙表現の直接生成モデルを用いて,3次元形状の生成,反転,操作を行う新しい手法を提案する。具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。エンコーダネットワークを共同でトレーニングすることで,形状を反転させる潜在空間を学習することができる。
論文参考訳（メタデータ） (2023-02-01T02:47:53Z)
Decomposable Sparse Tensor on Tensor Regression [1.370633147306388]
テンソル回帰のスパースローランクテンソルを考えると、予測子 $mathcalX$ とレスポンス $mathcalY$ はどちらも高次元テンソルである。本稿では,契約部と生成部から構成されるステージワイド探索に基づく高速解を提案する。
論文参考訳（メタデータ） (2022-12-09T18:16:41Z)
Low-Rank Tensor Function Representation for Multi-Dimensional Data Recovery [52.21846313876592]
低ランクテンソル関数表現(LRTFR)は、無限解像度でメッシュグリッドを超えてデータを連続的に表現することができる。テンソル関数に対する2つの基本的な概念、すなわちテンソル関数ランクとローランクテンソル関数分解を開発する。提案手法は,最先端手法と比較して,提案手法の優越性と汎用性を裏付けるものである。
論文参考訳（メタデータ） (2022-12-01T04:00:38Z)
Unified Fourier-based Kernel and Nonlinearity Design for Equivariant Networks on Homogeneous Spaces [52.424621227687894]
等質空間上の群同変ネットワークに対する統一的枠組みを導入する。昇降した特徴場のフーリエ係数の空間性を利用する。安定化部分群におけるフーリエ係数としての特徴を取り扱う他の方法が、我々のアクティベーションの特別な場合であることを示す。
論文参考訳（メタデータ） (2022-06-16T17:59:01Z)
Unsupervised Disentanglement with Tensor Product Representations on the Torus [78.6315881294899]
オートエンコーダで表現を学習する現在の方法では、ほとんどベクターを潜在表現として用いている。本研究では,この目的のためにテンソル積構造を用いることを提案する。通常分布する特徴を対象とする従来の変分法とは対照的に,表現の潜在空間は単位円の集合上に均一に分布する。
論文参考訳（メタデータ） (2022-02-13T04:23:12Z)
Interaction of Multiple Tensor Product Operators of the Same Type: an Introduction [0.0]
一対のヒルベルト空間上のテンソル積作用素は、ターゲットヒルベルト空間への極大一般双線型作用素である。同じタイプの異なるテンソル積作用素が複数存在する。状態の分離性と作用素と可観測体の局所性はテンソル積作用素に依存する。
論文参考訳（メタデータ） (2021-06-29T17:11:23Z)
Pseudo-Euclidean Attract-Repel Embeddings for Undirected Graphs [73.0261182389643]
ドット積埋め込みはグラフをとり、2つのベクトル間のドット積がエッジの強さを与えるようなノードのベクトルを構成する。ノードを擬ユークリッド空間に埋め込むことにより、推移性仮定を除去する。 Pseudo-Euclidean 埋め込みはネットワークを効率よく圧縮でき、近接する隣人の複数の概念をそれぞれ独自の解釈で解釈でき、既存のモデルに'スロットできる。
論文参考訳（メタデータ） (2021-06-17T17:23:56Z)

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。