論文の概要: Machine learning the Ising transition: A comparison between discriminative and generative approaches
- arxiv url: http://arxiv.org/abs/2411.19370v1
- Date: Thu, 28 Nov 2024 20:50:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:18:23.690362
- Title: Machine learning the Ising transition: A comparison between discriminative and generative approaches
- Title(参考訳): イジング遷移の機械学習:識別的アプローチと生成的アプローチの比較
- Authors: Difei Zhang, Frank Schäfer, Julian Arnold,
- Abstract要約: 分類問題は、識別法または生成法のいずれかを通してアプローチすることができる。
古典的2次元2次元格子強磁性イジングモデルにおける熱相転移に関する数値解析ケーススタディを行う。
- 参考スコア(独自算出の注目度): 1.024113475677323
- License:
- Abstract: The detection of phase transitions is a central task in many-body physics. To automate this process, the task can be phrased as a classification problem. Classification problems can be approached in two fundamentally distinct ways: through either a discriminative or a generative method. In general, it is unclear which of these two approaches is most suitable for a given problem. The choice is expected to depend on factors such as the availability of system knowledge, dataset size, desired accuracy, computational resources, and other considerations. In this work, we answer the question of how one should approach the solution of phase-classification problems by performing a numerical case study on the thermal phase transition in the classical two-dimensional square-lattice ferromagnetic Ising model.
- Abstract(参考訳): 相転移の検出は多体物理学における中心的な課題である。
このプロセスを自動化するために、タスクを分類問題と表現することができる。
分類問題は、差別的方法と生成的方法のどちらかを通じて、根本的に異なる方法でアプローチすることができる。
一般に、これらの2つのアプローチのどちらが与えられた問題に最も適しているかは定かではない。
この選択は、システム知識の可用性、データセットのサイズ、望ましい精度、計算リソース、その他の考慮事項などに依存することが期待されている。
本研究では,古典的2次元格子強磁性イジングモデルにおける熱相転移の数値ケーススタディを行い,相分類問題の解にどのようにアプローチすべきかという疑問に答える。
関連論文リスト
- Anomaly Detection via Learning-Based Sequential Controlled Sensing [25.282033825977827]
本稿では,学習に基づく制御センシングによるバイナリプロセス間の異常検出の問題に対処する。
異常を識別するために、意思決定エージェントは、各時点でプロセスのサブセットを観察することができる。
我々の目標は、どの過程を観察するかを動的に決定するシーケンシャルな選択ポリシーを設計することである。
論文 参考訳(メタデータ) (2023-11-30T07:49:33Z) - Mapping out phase diagrams with generative classifiers [0.0]
多体物理学における中心的な課題の1つは位相図の決定である。
位相分類問題は生成的分類器を用いて解くのが自然に適切であることを示す。
これは、人間の監督がほとんど、あるいは全くないフェーズダイアグラムを自律的に決定するための強力なフレームワークにつながります。
論文 参考訳(メタデータ) (2023-06-26T17:59:29Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。
本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。
本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
論文 参考訳(メタデータ) (2022-10-27T16:06:47Z) - SARAH-based Variance-reduced Algorithm for Stochastic Finite-sum
Cocoercive Variational Inequalities [137.6408511310322]
有限サムコヒーレンシブ変分不等式の問題を考える。
強い単調な問題に対しては、この方法を用いて解への線形収束を達成することができる。
論文 参考訳(メタデータ) (2022-10-12T08:04:48Z) - dCAM: Dimension-wise Class Activation Map for Explaining Multivariate
Data Series Classification [18.382700339944524]
本稿では,次元の比較を可能にする畳み込みアーキテクチャについて述べる。
次に,次元ワイドなクラスアクティベーションマップであるdCAMを返却する手法を提案する。
論文 参考訳(メタデータ) (2022-07-25T13:04:05Z) - Non-stationary Gaussian process discriminant analysis with variable
selection for high-dimensional functional data [0.0]
高次元分類と特徴選択は、最近のデータ取得技術の進歩とともに至るところで行われている。
これらの構造は、主に変数の選択と分類を別々に行う2段階のアプローチに依存する一般的な手法に、さらなる課題をもたらす。
本稿では、これらのステップを統一されたフレームワークで組み合わせた、新しいガウス過程判別分析(GPDA)を提案する。
論文 参考訳(メタデータ) (2021-09-29T03:35:49Z) - Theoretical Insights Into Multiclass Classification: A High-dimensional
Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。
分析の結果,分類精度は分布に依存していることがわかった。
得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文 参考訳(メタデータ) (2020-11-16T05:17:29Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳(メタデータ) (2020-10-24T21:35:57Z) - Marginal likelihood computation for model selection and hypothesis
testing: an extensive review [66.37504201165159]
この記事では、このトピックの最先端に関する総合的な研究について紹介する。
さまざまなテクニックの制限、メリット、コネクション、差異を強調します。
また、不適切な事前利用の問題や解決法についても述べる。
論文 参考訳(メタデータ) (2020-05-17T18:31:58Z) - Physics Informed Deep Learning for Transport in Porous Media. Buckley
Leverett Problem [0.0]
貯水池モデリングのためのハイブリッド物理に基づく機械学習手法を提案する。
この手法は、物理に基づく正則化を伴う一連の深い敵対的ニューラルネットワークアーキテクチャに依存している。
提案手法は,物理知識を機械学習アルゴリズムに応用するためのシンプルでエレガントな手法である。
論文 参考訳(メタデータ) (2020-01-15T08:20:11Z)
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。