論文の概要: Discrete the solving model of time-variant standard Sylvester-conjugate matrix equations using Euler-forward formula

• arxiv url: http://arxiv.org/abs/2411.02333v1
• Date: Mon, 04 Nov 2024 17:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:46:55.383153
• Title: Discrete the solving model of time-variant standard Sylvester-conjugate matrix equations using Euler-forward formula
• Title（参考訳）: Euler-forward式を用いた時変標準シルヴェスター共役行列方程式の解モデル
• Authors: Jiakuang He, Dongqing Wu,
• Abstract要約: 時変 シルヴェスター共役行列方程式は複素共役行列方程式の初期変分として表される。 現在の解法にはCon-CZND1モデルとCon-CZND2モデルがあり、どちらも連続モデルにode45を使用している。 Euler-forward式の決定に基づいて、Con-DZND1-2iモデルとCon-DZND2-2iモデルを提案する。
• 参考スコア（独自算出の注目度）: 1.1970409518725493
• License:
• Abstract: Time-variant standard Sylvester-conjugate matrix equations are presented as early time-variant versions of the complex conjugate matrix equations. Current solving methods include Con-CZND1 and Con-CZND2 models, both of which use ode45 for continuous model. Given practical computational considerations, discrete these models is also important. Based on Euler-forward formula discretion, Con-DZND1-2i model and Con-DZND2-2i model are proposed. Numerical experiments using step sizes of 0.1 and 0.001. The above experiments show that Con-DZND1-2i model and Con-DZND2-2i model exhibit different neural dynamics compared to their continuous counterparts, such as trajectory correction in Con-DZND2-2i model and the swallowing phenomenon in Con-DZND1-2i model, with convergence affected by step size. These experiments highlight the differences between optimizing sampling discretion errors and space compressive approximation errors in neural dynamics.
• Abstract（参考訳）: 時変標準シルヴェスター共役行列方程式は複素共役行列方程式の初期時変版として表される。 現在の解法にはCon-CZND1モデルとCon-CZND2モデルがあり、どちらも連続モデルにode45を使用している。 現実的な計算上の考慮から、これらのモデルの離散化も重要である。 Euler-forward式の決定に基づいて、Con-DZND1-2iモデルとCon-DZND2-2iモデルを提案する。 ステップサイズ0.1と0.001の数値実験を行った。 以上の実験により,Con-DZND1-2iモデルとCon-DZND2-2iモデルは,Con-DZND2-2iモデルにおける軌道補正やCon-DZND1-2iモデルにおける飲み込み現象など,連続したモデルと比較して異なる神経力学を示すことが示された。 これらの実験は、サンプリング誤差の最適化とニューラルダイナミクスにおける空間圧縮近似誤差の違いを強調している。

関連論文リスト

• Zeroing neural dynamics solving time-variant complex conjugate matrix equation [1.1970409518725493]
  複素共役行列方程式(CCME)は、計算と反線形系のために多くの研究者の関心を喚起している。 既存の研究は時間不変の解法によって支配されているが、時間不変の解法を解くための理論が提案されていない。 本稿では、ゼロリングニューラルダイナミクス(ZND)を用いて、その時変バージョンを解く。
  論文  参考訳（メタデータ） (2024-06-18T16:50:26Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Diffeomorphic Measure Matching with Kernels for Generative Modeling [1.2058600649065618]
  本稿では、常微分方程式(ODE)と再生成ケルネルヒルベルト空間(RKHS)を用いて、最小分散生成モデリングおよびサンプリングに向けた確率測度を伝達するための枠組みを提案する。 提案手法の理論的解析を行い,モデルの複雑さ,トレーニングセット内のサンプル数,モデルの誤識別という観点から,事前誤差境界を与える。
  論文  参考訳（メタデータ） (2024-02-12T21:44:20Z)
• Predicting Ordinary Differential Equations with Transformers [65.07437364102931]
  単一溶液軌道の不規則サンプリングおよび雑音観測から,スカラー常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを開発した。 提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たな観測解の法則を推測することができる。
  論文  参考訳（メタデータ） (2023-07-24T08:46:12Z)
• 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 Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
  パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。 本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-18T11:29:49Z)
• A Probabilistic State Space Model for Joint Inference from Differential Equations and Data [23.449725313605835]
  ベイズフィルタを用いて解過程を直接句する常微分方程式 (odes) の解法の新しいクラスを示す。 その後、拡張カルマンフィルタの単一の線形複雑化パスにおいて、潜力とODE溶液のベイズ推定を近似することができるようになる。 本研究では,covid-19流行データに基づく非パラメトリックsirdモデルを訓練することにより,アルゴリズムの表現力と性能を示す。
  論文  参考訳（メタデータ） (2021-03-18T10:36:09Z)
• Neural Controlled Differential Equations for Irregular Time Series [17.338923885534197]
  通常の微分方程式はその初期条件によって決定され、その後の観測に基づいて軌道を調整するメカニズムは存在しない。 ここでは、Emph制御微分方程式のよく理解された数学を通して、これをどのように解決するかを示す。 実験により,本モデルが類似モデル (ODE や RNN をベースとした) に対して, 種々のデータセットに対する実験的検討において, 最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-05-18T17:52:21Z)
• Estimation of sparse Gaussian graphical models with hidden clustering structure [8.258451067861932]
  隠れクラスタリング構造を持つスパースガウス図形モデルを推定するモデルを提案する。 対称なガウス・シーデルに基づく乗算器の交互方向法を開発した。 合成データと実データの両方に関する数値実験により,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-04-17T08:43:31Z)

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。