論文の概要: 3-phases Confusion Learning

• arxiv url: http://arxiv.org/abs/2412.02458v1
• Date: Tue, 03 Dec 2024 14:00:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:41:59.214233
• Title: 3-phases Confusion Learning
• Title（参考訳）: 3相融合学習
• Authors: Filippo Caleca, Simone Tibaldi, Elisa Ercolessi,
• Abstract要約: 本稿では,2段階以上のシステムに対して,コンフュージョン方式による学習の一般化を提案する。 私たちの研究は、量子多体問題に対処するための機械学習の有用性を再び示しています。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The use of Neural Networks in quantum many-body theory has seen a formidable rise in recent years. Among the many possible applications, one surely is to make use of their pattern recognition power when dealing with the study of equilibrium phase diagram. Within this context, Learning by Confusion has emerged as an interesting, unbiased scheme. The idea behind it briefly consists in iteratively label numerical results in a random way and then train and test a Neural Network; while for a generic random labeling the Network displays low accuracy, the latter shall display a peak when data are divided into a correct, yet unknown way. Here, we propose a generalization of this confusion scheme for systems with more than two phases, for which it was originally proposed. Our construction simply relies on the use of a slightly different Neural Network: from a binary classificator we move to a ternary one, more suitable to detect systems exhibiting three phases. After introducing this construction, we test is onto the free and the interacting Kitaev chain and on the one-dimensional Extended Hubbard model, always finding results compatible with previous works. Our work opens the way to wider use of Learning by Confusion, showing once more the usefulness of Machine Learning to address quantum many-body problems.
• Abstract（参考訳）: 量子多体理論におけるニューラルネットワークの利用は、近年深刻な増加を遂げている。 考えられる多くの応用の1つは、平衡位相図の研究にそのパターン認識能力を利用することである。 この文脈の中で、Learning by Confusionは興味深い、偏見のないスキームとして現れました。 その背景にあるアイデアは、数値結果をランダムに反復的にラベル付けし、ニューラルネットワークを訓練し、テストすることである。 本稿では、2つ以上の位相を持つ系に対するこの混乱スキームの一般化を提案する。 私たちの構造は、わずかに異なるニューラルネットワークの使用に依存しています。バイナリ分類器から3つのフェーズを持つシステムを検出するのに、より適しています。 この構成を導入した後、我々は自由かつ相互作用するキタエフ連鎖と1次元拡張ハバードモデルでテストを行い、常に以前の研究と互換性のある結果を見つける。 私たちの研究は、量子多体問題に対処するための機械学習の有用性を示すとともに、コンフュージョンによる学習の幅広い利用への道を開く。

関連論文リスト

• Memorization With Neural Nets: Going Beyond the Worst Case [5.03863830033243]
  実際には、ディープニューラルネットワークはトレーニングデータを簡単に補間できることが多い。 本稿では、3層ニューラルネットワークを時間内に補間する単純なランダム化アルゴリズムを提案する。 サンプル数に依存しない保証を得るため、最悪の記憶能力限界を超えて移動します。
  論文  参考訳（メタデータ） (2023-09-30T10:06:05Z)
• IF2Net: Innately Forgetting-Free Networks for Continual Learning [49.57495829364827]
  継続的な学習は、以前に学んだ知識に干渉することなく、新しい概念を漸進的に吸収することができる。 ニューラルネットワークの特性に触発され,本研究は,IF2Net(Innately Forgetting-free Network)の設計方法について検討した。 IF2Netは、1つのネットワークがテスト時にタスクのIDを告げることなく、本質的に無制限のマッピングルールを学習することを可能にする。
  論文  参考訳（メタデータ） (2023-06-18T05:26:49Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Parallel Hybrid Networks: an interplay between quantum and classical neural networks [0.0]
  我々は、データセットの入力を並列に渡す、新しい解釈可能なハイブリッド量子ニューラルネットワークのクラスを導入する。 この主張は、周期分布からサンプリングされた2つの合成データセットに対して、雑音としてプロテクションを付加したものである。
  論文  参考訳（メタデータ） (2023-03-06T15:45:28Z)
• Multi-scale Feature Learning Dynamics: Insights for Double Descent [71.91871020059857]
  一般化誤差の「二重降下」現象について検討する。 二重降下は、異なるスケールで学習される異なる特徴に起因する可能性がある。
  論文  参考訳（メタデータ） (2021-12-06T18:17:08Z)
• Why Lottery Ticket Wins? A Theoretical Perspective of Sample Complexity on Pruned Neural Networks [79.74580058178594]
  目的関数の幾何学的構造を解析することにより、刈り取られたニューラルネットワークを訓練する性能を解析する。 本稿では,ニューラルネットワークモデルがプルーニングされるにつれて,一般化が保証された望ましいモデル近傍の凸領域が大きくなることを示す。
  論文  参考訳（メタデータ） (2021-10-12T01:11:07Z)
• Transfer Learning for Node Regression Applied to Spreading Prediction [0.0]
  特定のノードから拡散する効果を評価するために使用すると、最先端のノード表現学習者の有用性を検討します。 多くの実生活ネットワークはトポロジカルに類似しているため、学習したモデルが以前見つからなかったネットワークに一般化するかどうかを体系的に調査する。 これはノード回帰タスクにおけるゼロショット転送の有用性を評価する最初の試みの1つである。
  論文  参考訳（メタデータ） (2021-03-31T20:09:09Z)
• Quantum Self-Supervised Learning [22.953284192004034]
  対照的自己監督学習のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 ibmq_paris量子コンピュータ上の見えない画像を分類するために、最良の量子モデルを適用します。
  論文  参考訳（メタデータ） (2021-03-26T18:00:00Z)
• Learning from Failure: Training Debiased Classifier from Biased Classifier [76.52804102765931]
  ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。 本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。 本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
  論文  参考訳（メタデータ） (2020-07-06T07:20:29Z)
• The Surprising Simplicity of the Early-Time Learning Dynamics of Neural Networks [43.860358308049044]
  研究において、これらの共通認識は、学習の初期段階において完全に誤りであることを示す。 この驚くべき単純さは、畳み込みアーキテクチャを持つより多くのレイヤを持つネットワークで持続することができる、と私たちは主張する。
  論文  参考訳（メタデータ） (2020-06-25T17:42:49Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)

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。

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。