Fugu-MT 論文翻訳(概要): Local Learning Rules for Out-of-Equilibrium Physical Generative Models

論文の概要: Local Learning Rules for Out-of-Equilibrium Physical Generative Models

arxiv url: http://arxiv.org/abs/2506.19136v2
Date: Tue, 26 Aug 2025 17:24:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-27 15:23:52.380822
Title: Local Learning Rules for Out-of-Equilibrium Physical Generative Models
Title（参考訳）: 平衡外物理生成モデルの局所学習規則
Authors: Cyrill Bösch, Geoffrey Roeder, Marc Serra-Garcia, Ryan P. Adams,
Abstract要約: 本研究では,スコアベース生成モデル(SGM)の非平衡駆動プロトコルを局所学習規則により学習可能であることを示す。駆動プロトコルのパラメータに関する勾配は、力の測定や観測されたシステムダイナミクスから直接計算される。
参考スコア（独自算出の注目度）: 9.292989197066506
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We show that the out-of-equilibrium driving protocol of score-based generative models (SGMs) can be learned via local learning rules. The gradient with respect to the parameters of the driving protocol is computed directly from force measurements or from observed system dynamics. As a demonstration, we implement an SGM in a network of driven, nonlinear, overdamped oscillators coupled to a thermal bath. We first apply it to the problem of sampling from a mixture of two Gaussians in 2D. Finally, we train a 12x12 oscillator network on the MNIST dataset to generate images of handwritten digits 0 and 1.
Abstract（参考訳）: 本研究では,スコアベース生成モデル(SGM)の非平衡駆動プロトコルを局所学習規則により学習可能であることを示す。駆動プロトコルのパラメータに関する勾配は、力の測定や観測されたシステムダイナミクスから直接計算される。実演として,熱浴に結合した非線形過大破壊発振器のネットワークにSGMを実装した。まず,2次元ガウス混合系のサンプリング問題に適用する。最後に、MNISTデータセット上に12x12発振器ネットワークをトレーニングし、手書き桁 0 と 1 の画像を生成する。

関連論文リスト

Machine Learning-aided Optimal Control of a noisy qubit [0.0]
環境騒音からマルコフ力学と非マルコフ力学をモデル化し、制御するために、グレーボックス機械学習フレームワークを適用した。非ガウス的ランダム・テレグラフノイズとガウス的オルンシュタイン・ウレンベックノイズの両方をベンチマークし、難易度の高いノイズカップリングシステムにおいても予測誤差を低くする。
論文参考訳（メタデータ） (2025-07-18T17:06:58Z)
Learning mechanical systems from real-world data using discrete forced Lagrangian dynamics [0.0]
位置測定から機械系の運動方程式を直接学習するデータ駆動手法を提案する。これは、モーションキャプチャ、ピクセルデータ、低解像度追跡など、位置情報しか利用できないシステム識別タスクに特に関係している。
論文参考訳（メタデータ） (2025-05-26T12:13:00Z)
Discrete generative diffusion models without stochastic differential equations: a tensor network approach [1.5839621757142595]
拡散モデル(DM)は、生成機械学習の手法のクラスである。ネットワーク(TN)を用いて,このような離散モデルを効率的に定義し,サンプリングする方法を示す。」
論文参考訳（メタデータ） (2024-07-15T18:00:11Z)
Sample-efficient Model-based Reinforcement Learning for Quantum Control [0.2999888908665658]
ノイズの多い時間依存ゲート最適化のためのモデルベース強化学習(RL)手法を提案する。標準モデルフリーRLに比べて,本手法のサンプル複雑性において,桁違いの優位性を示す。提案アルゴリズムは,部分的特徴付き1量子ビット系と2量子ビット系の制御に適している。
論文参考訳（メタデータ） (2023-04-19T15:05:19Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文参考訳（メタデータ） (2023-03-24T11:12:37Z)
On the Dynamics of Inference and Learning [0.0]
本稿では,このベイズ更新過程を連続力学系として扱う。クラムラーラオ境界が飽和すると、学習率は単純な1/T$パワーローによって制御されることを示す。
論文参考訳（メタデータ） (2022-04-19T18:04:36Z)
Score-based Generative Modeling in Latent Space [93.8985523558869]
スコアベース生成モデル(SGM)は,最近,サンプル品質と分布範囲の両面で顕著な結果を示した。本稿では,Latent Score-based Generative Model (LSGM)を提案する。データから潜在空間への移動により、より表現力のある生成モデルをトレーニングし、非連続データにSGMを適用し、よりスムーズなSGMをより小さな空間で学習することができる。
論文参考訳（メタデータ） (2021-06-10T17:26:35Z)
Continual Learning with Fully Probabilistic Models [70.3497683558609]
機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2021-04-19T12:26:26Z)
Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文参考訳（メタデータ） (2021-02-04T02:21:08Z)
Sample Complexity Bounds for 1-bit Compressive Sensing and Binary Stable Embeddings with Generative Priors [52.06292503723978]
生成モデルを用いた圧縮センシングの進歩により, 生成モデルを用いた1ビット圧縮センシングの問題点を考察した。まずノイズのない1ビット測定を考察し, ガウス測度に基づく近似回復のためのサンプル複雑性境界を提供する。また,リプシッツ連続生成モデルを用いた1ビット圧縮センシングにも有効であることを示すため,評価誤差と雑音に対する再構成の堅牢性を示すBinary $epsilon$-Stable Embedding特性を実証した。
論文参考訳（メタデータ） (2020-02-05T09:44:10Z)

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。