Fugu-MT 論文翻訳(概要): Stochastic Process Learning via Operator Flow Matching

論文の概要: Stochastic Process Learning via Operator Flow Matching

arxiv url: http://arxiv.org/abs/2501.04126v2
Date: Thu, 09 Jan 2025 02:20:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-10 10:39:55.404376
Title: Stochastic Process Learning via Operator Flow Matching
Title（参考訳）: 演算子フローマッチングによる確率過程学習
Authors: Yaozhong Shi, Zachary E. Ross, Domniki Asimaki, Kamyar Azizzadenesheli,
Abstract要約: 我々は関数空間上でのプロセスの事前学習のための演算子フローマッチング(OFM)を開発した。 OFM は任意の点集合の値の確率密度を与える。本手法は, プロセス学習, 機能回帰, 事前学習における最先端モデルより優れている。
参考スコア（独自算出の注目度）: 12.275587079383603
License:
Abstract: Expanding on neural operators, we propose a novel framework for stochastic process learning across arbitrary domains. In particular, we develop operator flow matching (OFM) for learning stochastic process priors on function spaces. OFM provides the probability density of the values of any collection of points and enables mathematically tractable functional regression at new points with mean and density estimation. Our method outperforms state-of-the-art models in stochastic process learning, functional regression, and prior learning.
Abstract（参考訳）: ニューラル演算子を拡張し,任意の領域にまたがる確率過程学習のための新しいフレームワークを提案する。特に,関数空間上で確率過程を学習するための演算子フローマッチング(OFM)を開発した。 OFMは任意の点集合の値の確率密度を提供し、平均値と密度推定値を持つ新しい点における数学的に抽出可能な機能回帰を可能にする。本手法は,確率的プロセス学習,機能回帰,事前学習において,最先端のモデルよりも優れる。

関連論文リスト

Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。生成フローネットワーク(GFlowNets)のための理論から着想を得た。
論文参考訳（メタデータ） (2023-10-04T09:39:05Z)
Likelihood-based inference and forecasting for trawl processes: a stochastic optimization approach [0.0]
実数値トロール過程を推定するための第1の可能性に基づく手法を開発した。本稿では,新しい決定的および確率的予測手法を提案する。トロールプロセスの大規模なクラスに適合するために使用可能なPythonライブラリをリリースしています。
論文参考訳（メタデータ） (2023-08-30T15:37:48Z)
Distributional GFlowNets with Quantile Flows [73.73721901056662]
Generative Flow Networks(GFlowNets)は、エージェントが一連の意思決定ステップを通じて複雑な構造を生成するためのポリシーを学ぶ確率的サンプルの新たなファミリーである。本研究では,GFlowNetの分散パラダイムを採用し,各フロー関数を分散化し,学習中により情報的な学習信号を提供する。 GFlowNet学習アルゴリズムは,リスク不確実性のあるシナリオを扱う上で不可欠な,リスクに敏感なポリシーを学習することができる。
論文参考訳（メタデータ） (2023-02-11T22:06:17Z)
MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
論文参考訳（メタデータ） (2022-10-24T15:14:26Z)
DLCFT: Deep Linear Continual Fine-Tuning for General Incremental Learning [29.80680408934347]
事前学習した表現からモデルを連続的に微調整するインクリメンタルラーニングのための代替フレームワークを提案する。本手法は, ニューラルネットワークの線形化手法を利用して, 単純かつ効果的な連続学習を行う。本手法は,データ増分,タスク増分およびクラス増分学習問題において,一般的な連続学習設定に適用可能であることを示す。
論文参考訳（メタデータ） (2022-08-17T06:58:14Z)
On Generalizing Beyond Domains in Cross-Domain Continual Learning [91.56748415975683]
ディープニューラルネットワークは、新しいタスクを学んだ後、これまで学んだ知識の破滅的な忘れ込みに悩まされることが多い。提案手法は、ドメインシフト中の新しいタスクを精度良く学習することで、DomainNetやOfficeHomeといった挑戦的なデータセットで最大10%向上する。
論文参考訳（メタデータ） (2022-03-08T09:57:48Z)
On Contrastive Representations of Stochastic Processes [53.21653429290478]
プロセスの表現を学習することは、機械学習の新たな問題である。本手法は,周期関数,3次元オブジェクト,動的プロセスの表現の学習に有効であることを示す。
論文参考訳（メタデータ） (2021-06-18T11:00:24Z)
UNIPoint: Universally Approximating Point Processes Intensities [125.08205865536577]
学習可能な関数のクラスが任意の有効な強度関数を普遍的に近似できることを示す。ニューラルポイントプロセスモデルであるUNIPointを実装し,各イベントの基底関数の和をパラメータ化するために,リカレントニューラルネットワークを用いた。
論文参考訳（メタデータ） (2020-07-28T09:31:56Z)
Deep Learning with Functional Inputs [0.0]
本稿では,機能データをフィードフォワードニューラルネットワークに統合する手法を提案する。この手法の副産物は、最適化プロセス中に可視化できる動的な機能的重みの集合である。このモデルは、新しいデータの予測や真の機能的重みの回復など、多くの文脈でうまく機能することが示されている。
論文参考訳（メタデータ） (2020-06-17T01:23:00Z)

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。