論文の概要: Benchmark of the Full and Reduced Effective Resistance Kernel for Molecular Classification
- arxiv url: http://arxiv.org/abs/2501.19352v1
- Date: Fri, 31 Jan 2025 17:58:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-03 14:01:30.165674
- Title: Benchmark of the Full and Reduced Effective Resistance Kernel for Molecular Classification
- Title（参考訳）: 分子分類のための完全かつ簡易な抵抗カーネルのベンチマーク
- Authors: Adam Wesołowski, Karim Essafi,
- Abstract要約: 提案手法は,古典的手法の量子複雑性を解析する有効な抵抗フレームワークを用いて,通勤時間カーネル法について検討する。
我々の研究は、カーネルの計算における顕著な量子スピードアップを強調しており、古典的アプローチよりも時間の複雑さが2次的に改善されている。
この手法をいくつかの化学ベースのデータセット上でベンチマークすると、常に最も正確であるとは限らないが、時間効率が優れていることが分かる。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: We present a comprehensive study of the commute time kernel method via the effective resistance framework analyzing the quantum complexity of the originally classical approach. Our study reveals that while there is a trade-off between accuracy and computational complexity, significant improvements can be achieved in terms of runtime efficiency without substantially compromising on precision. Our investigation highlights a notable quantum speedup in calculating the kernel, which offers a quadratic improvement in time complexity over classical approaches in certain instances. In addition, we introduce methodical improvements over the original work on the commute time kernel and provide empirical evidence suggesting the potential reduction of kernel queries without significant impact on result accuracy. Benchmarking our method on several chemistry-based datasets: $\tt{AIDS}$, $\tt{NCL1}$, $\tt{PTC-MR}$, $\tt{MUTAG}$, $\tt{PROTEINS}$ - data points previously unexplored in existing literature, shows that while not always the most accurate, it excels in time efficiency. This makes it a compelling alternative for applications where computational speed is crucial. Our results highlight the balance between accuracy, computational complexity, and speedup offered by quantum computing, promoting further research into efficient algorithms for kernel methods and their applications in chemistry-based datasets.
- Abstract（参考訳）: 本稿では,古典的手法の量子複雑性を解析する有効な抵抗フレームワークを用いて,通勤時間カーネル法に関する包括的研究を行う。
本研究は,精度と計算複雑性の間にはトレードオフがあるが,実行効率の観点からは,精度を著しく損なうことなく,大幅な改善が達成できることを明らかにする。
我々の研究は、カーネルの計算における顕著な量子スピードアップを強調しており、特定のインスタンスにおける古典的アプローチよりも、時間の複雑さが2次的に改善されている。
さらに、通勤時間カーネルに関する当初の作業よりも方法論的な改善を導入し、結果の精度に大きな影響を与えることなく、カーネルクエリの潜在的な削減を示唆する実証的な証拠を提供する。
$\tt{AIDS}$, $\tt{NCL1}$, $\tt{PTC-MR}$, $\tt{MUTAG}$, $\tt{PROTEINS}$ - 既存の文献で探索されていないデータポイントは、常に正確ではないが、時間効率が優れていることを示している。
これにより、計算速度が不可欠であるアプリケーションにとって、魅力的な代替手段となる。
この結果から, 量子コンピューティングによる精度, 計算複雑性, 高速化のバランスが強調され, カーネル手法の効率的なアルゴリズムのさらなる研究と, 化学ベースのデータセットへの応用が促進された。
関連論文リスト
- Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。
WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
論文 参考訳（メタデータ） (2024-10-28T04:47:39Z) - Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。
本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。
本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
論文 参考訳（メタデータ） (2024-06-13T05:49:29Z) - Towards Efficient Quantum Anomaly Detection: One-Class SVMs using
Variable Subsampling and Randomized Measurements [4.180897432770239]
量子コンピューティングは、カーネル計算とモデルの精度を大幅に向上させる。
本稿では,量子カーネルの評価にランダム化計測を利用する方法と,可変サブサンプリングアンサンブル法を提案する。
実験の結果, トレーニング時間と推論時間は最大95%, 25%減少した。
不安定ではあるが、ランダム化測定の平均精度は古典的ラジアル基底関数カーネルのそれを上回っている。
論文 参考訳（メタデータ） (2023-12-14T17:42:18Z) - Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。
カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。
我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-10-09T03:55:09Z) - A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive
Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。
シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文 参考訳（メタデータ） (2022-11-16T00:11:04Z) - Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。
我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。
RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
論文 参考訳（メタデータ） (2022-10-21T15:56:13Z) - FaDIn: Fast Discretized Inference for Hawkes Processes with General
Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。
脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。
その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文 参考訳（メタデータ） (2022-10-10T12:35:02Z) - Automatic and effective discovery of quantum kernels [41.61572387137452]
量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。
本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。
その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
論文 参考訳（メタデータ） (2022-09-22T16:42:14Z) - Accelerating Real-Time Coupled Cluster Methods with Single-Precision
Arithmetic and Adaptive Numerical Integration [3.469636229370366]
単精度算術は,実時間シミュレーションの記憶コストと乗算コストを約2倍に削減することを示した。
水クラスターの試験シミュレーションにおいて, 最大14因子のさらなる高速化は, 素直な実装によって得られる。
論文 参考訳（メタデータ） (2022-05-10T21:21:49Z) - The Fast Kernel Transform [21.001203328543006]
本稿では,FKT(Fast Kernel Transform:高速カーネル変換)を提案する。
FKT はガウス、マテルン、ラショナル四次共分散関数や物理的に動機付けられたグリーン関数など、幅広い種類のカーネルに容易に適用できる。
本稿では、時間と精度のベンチマークを提供することによりFKTの有効性と汎用性を説明し、それを近隣埋め込み(t-SNE)とガウス過程を大規模実世界のデータセットに拡張する。
論文 参考訳（メタデータ） (2021-06-08T16:15:47Z) - Adaptive Local Kernels Formulation of Mutual Information with
Application to Active Post-Seismic Building Damage Inference [1.066048003460524]
地震後の建築物の地域被害評価は高価な作業である。
相互情報の情報理論尺度は,サンプルの有効性を評価する上で最も有効な基準の一つである。
計算コストを削減するためにローカルカーネル戦略が提案されたが、観測されたラベルへのカーネルの適応性は考慮されなかった。
本稿では,観測された出力データに対するカーネルの適合性を実現するための適応型ローカルカーネル手法を開発した。
論文 参考訳（メタデータ） (2021-05-24T18:34:46Z)
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。