Fugu-MT 論文翻訳(概要): Hardware-In-The-Loop Training of a 4f Optical Correlator with Logarithmic Complexity Reduction for CNNs

論文の概要: Hardware-In-The-Loop Training of a 4f Optical Correlator with Logarithmic Complexity Reduction for CNNs

arxiv url: http://arxiv.org/abs/2501.04141v1
Date: Tue, 07 Jan 2025 21:09:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-09 14:56:43.391355
Title: Hardware-In-The-Loop Training of a 4f Optical Correlator with Logarithmic Complexity Reduction for CNNs
Title（参考訳）: CNNの対数複雑度低減型4f光共振器のハードウェア・イン・ザ・ループトレーニング
Authors: Lorenzo Pes, Maryam Dehbashizadeh Chehreghan, Rick Luiken, Sander Stuijk, Ripalta Stabile, Federico Corradi,
Abstract要約: 本研究は,4f光相関器のハードウェア・イン・ループ・トレーニングにより,MNISTデータセットの前方のみの学習アルゴリズムを評価する。 O(n2) の複雑性では 87.6% の精度で、O(n2 log n) の複雑性では 88.8% の精度でバックプロパゲーションを実現している。
参考スコア（独自算出の注目度）: 3.4164774665338813
License:
Abstract: This work evaluates a forward-only learning algorithm on the MNIST dataset with hardware-in-the-loop training of a 4f optical correlator, achieving 87.6% accuracy with O(n2) complexity, compared to backpropagation, which achieves 88.8% accuracy with O(n2 log n) complexity.
Abstract（参考訳）: この研究は、4f光相関器のハードウェア・イン・ザ・ループ・トレーニングによるMNISTデータセットの前方のみの学習アルゴリズムを評価し、O(n2)の複雑さに対して87.6%の精度を達成し、O(n2 log n)の複雑さに対して88.8%の精度を達成したバックプロパゲーションと比較した。

関連論文リスト

Can Entanglement-enhanced Quantum Kernels Improve Data Classification? [1.0327753072713142]
本研究では, 量子支援ベクトルマシンにおけるエンタングルメント強化量子カーネルを用いて, 複雑な呼吸データセットのトレーニングを行った。従来のアルゴリズムと比較すると,QSVMは複雑な呼吸データセットに対して45%高い精度で高い性能を示した。
論文参考訳（メタデータ） (2024-06-04T03:59:28Z)
Data Complexity Estimates for Operator Learning [4.056627267544063]
我々は,演算子学習のデータ複雑性を研究する理論を開発した。より狭い演算子のクラスにおいて、チューナブルパラメータの数の観点からFNOによって効率的に近似されることで、効率的な演算子学習がデータ複雑性においても達成可能であることを示す。
論文参考訳（メタデータ） (2024-05-25T00:16:21Z)
An efficient quantum algorithm for independent component analysis [3.400945485383699]
独立成分分析(ICA)は、取得した信号を可能な限り独立成分に分解する基本的なデータ処理技術である。本稿では,量子コンピュータ上で特定のコントラスト関数を演算する量子ICAアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-11-21T11:21:23Z)
Union-find quantum decoding without union-find [4.24243593213882]
本稿では,デコーダの大規模動作がデータ構造を損なうことを示す。アーキテクチャ設計の改善と単純化により、実際にリソースのオーバーヘッドを減らすことができる。これはデコーダの大規模化において、一般的な最適化を省略した単純な実装であっても、線形時間で最悪のケースの複雑さをもたらす。
論文参考訳（メタデータ） (2023-06-16T10:54:59Z)
Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文参考訳（メタデータ） (2023-04-12T14:51:47Z)
A Recursively Recurrent Neural Network (R2N2) Architecture for Learning Iterative Algorithms [64.3064050603721]
本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
論文参考訳（メタデータ） (2022-11-22T16:30:33Z)
Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文参考訳（メタデータ） (2022-10-14T15:01:32Z)
Optimization-based Block Coordinate Gradient Coding for Mitigating Partial Stragglers in Distributed Learning [58.91954425047425]
本稿では,分散学習における部分トラグラーの緩和を目的とした,新たな勾配符号化方式を提案する。 L の符号パラメータを L に表わした勾配座標符号化方式を提案する。
論文参考訳（メタデータ） (2022-06-06T09:25:40Z)
Sublinear Least-Squares Value Iteration via Locality Sensitive Hashing [49.73889315176884]
本稿では、実行時の複雑さをアクション数にサブリニアに持つ最初の証明可能なLeast-Squares Value Iteration(LSVI)アルゴリズムを提示する。我々は, 近似最大内積探索理論と強化学習の後悔分析との関係を構築する。
論文参考訳（メタデータ） (2021-05-18T05:23:53Z)
Fast Reinforcement Learning with Incremental Gaussian Mixture Models [0.0]
Incrmental Gaussian Mixture Network (IGMN)と呼ばれる単一パスから学習可能なオンラインおよびインクリメンタルなアルゴリズムが、結合状態とQ値空間のためのサンプル効率関数近似器として採用された。 IGMN関数近似器の使用は、勾配降下法で訓練された従来のニューラルネットワークと比較して、強化学習に重要な利点をもたらすことが観察された。
論文参考訳（メタデータ） (2020-11-02T03:18:15Z)
Channel Assignment in Uplink Wireless Communication using Machine Learning Approach [54.012791474906514]
本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
論文参考訳（メタデータ） (2020-01-12T15:54:20Z)

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。