論文の概要: Harnessing intuitive local evolution rules for physical learning

• arxiv url: http://arxiv.org/abs/2507.19561v1
• Date: Fri, 25 Jul 2025 10:51:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:55.665577
• Title: Harnessing intuitive local evolution rules for physical learning
• Title（参考訳）: 物理学習のための直感的な局所的進化規則の調和
• Authors: Roie Ezraty, Menachem Stern, Shmuel M. Rubinstein,
• Abstract要約: 境界パラメータのみを外部制御する物理系のためのトレーニング手法を提案する。 このスキームを用いることで、これらの境界許容適応状態チューニングシステムは、局所的なフィズ・カルルールを利用して学習する。 BEASTAL(BEAST-Adaline)は,Adalineアルゴリズムに最も近い類似手法である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning, however popular and accessible, is computationally intensive and highly power-consuming, prompting interest in alternative physical implementations of learning tasks. We introduce a training scheme for physical systems that minimize power dissipation in which only boundary parameters (i.e. inputs and outputs) are externally controlled. Using this scheme, these Boundary-Enabled Adaptive State Tuning Systems (BEASTS) learn by exploiting local phys- ical rules. Our scheme, BEASTAL (BEAST-Adaline), is the closest analog of the Adaline algorithm for such systems. We demonstrate this autonomous learning in silico for regression and classifi- cation tasks. Our approach advances previous physical learning schemes by using intuitive, local evolution rules without requiring large-scale memory or complex internal architectures. BEASTAL can perform any linear task, achieving best performance when the local evolution rule is non-linear.
• Abstract（参考訳）: 機械学習は人気がありアクセスしやすいが、計算集約的で高消費電力であり、学習タスクの代替物理実装への関心を喚起する。 本稿では,外部制御された境界パラメータ(入力と出力)のみを含む電力散逸を最小限に抑える物理系のトレーニング手法を提案する。 このスキームを用いて、これらの境界許容適応状態チューニングシステム(BEASTS)は、局所的なフィス・カルルールを利用して学習する。 BEASTAL(BEAST-Adaline)は,Adalineアルゴリズムに最も近い類似手法である。 我々はこの自律的な学習を、回帰およびクラスイフィカチオンタスクのためのシリコで実証する。 本手法では,大規模メモリや複雑な内部アーキテクチャを必要とせず,直感的かつ局所的な進化規則を用いることで,従来の物理学習方式を進化させる。 BEASTALは任意の線形タスクを実行でき、局所的な進化規則が非線形であるときに最高のパフォーマンスを達成することができる。

関連論文リスト

• LeARN: Learnable and Adaptive Representations for Nonlinear Dynamics in System Identification [0.0]
  非線形システム識別フレームワークLeARNを導入する。 基礎関数のライブラリをデータから直接学習することで、事前のドメイン知識の必要性を超越します。 我々はNeural Flyデータセットのフレームワークを検証し、その堅牢な適応と能力を示す。
  論文  参考訳（メタデータ） (2024-12-16T18:03:23Z)
• Action-Quantized Offline Reinforcement Learning for Robotic Skill Learning [68.16998247593209]
  オフライン強化学習(RL)パラダイムは、静的な行動データセットを、データを収集したポリシーよりも優れたパフォーマンスのポリシーに変換するためのレシピを提供する。 本稿では,アクション量子化のための適応型スキームを提案する。 IQL,CQL,BRACといった最先端のオフラインRL手法が,提案手法と組み合わせることで,ベンチマークのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2023-10-18T06:07:10Z)
• Controlling dynamical systems to complex target states using machine learning: next-generation vs. classical reservoir computing [68.8204255655161]
  機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。 まず, 従来の貯水池計算が優れていることを示す。 次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。 その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
  論文  参考訳（メタデータ） (2023-07-14T07:05:17Z)
• An FPGA Architecture for Online Learning using the Tsetlin Machine [5.140342614848069]
  本稿では,オンライン学習のための新しいフィールドプログラミング可能なゲートアレイ基盤を提案する。 Tsetlin Machineと呼ばれる低複雑さの機械学習アルゴリズムを実装している。 本稿では,提案するインフラを用いたオンライン学習の事例と,エネルギー/性能/精度のトレードオフを実証する。
  論文  参考訳（メタデータ） (2023-06-01T13:33:26Z)
• Hierarchical-Hyperplane Kernels for Actively Learning Gaussian Process Models of Nonstationary Systems [5.1672267755831705]
  グラデーションベースの手法で学習可能なパーティショニングを組み込んだカーネルファミリーを提案する。 各種能動的学習課題における優れた性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-03-17T14:50:51Z)
• Smoothed Online Learning for Prediction in Piecewise Affine Systems [43.64498536409903]
  本稿では,最近開発されたスムーズなオンライン学習フレームワークに基づく。 これは、断片的なアフィン系における予測とシミュレーションのための最初のアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-01-26T15:54:14Z)
• Efficient Online Learning with Memory via Frank-Wolfe Optimization: Algorithms with Bounded Dynamic Regret and Applications to Control [15.588080817106563]
  動的後悔を最小限に抑えるメモリ付きプロジェクションフリーなメタベース学習アルゴリズムを提案する。 私たちは、自律的なエージェントが時間によって変化する環境に適応する必要がある人工知能アプリケーションによって動機付けられています。
  論文  参考訳（メタデータ） (2023-01-02T01:12:29Z)
• The least-control principle for learning at equilibrium [65.2998274413952]
  我々は、平衡反復ニューラルネットワーク、深層平衡モデル、メタラーニングを学ぶための新しい原理を提案する。 私たちの結果は、脳がどのように学習するかを明らかにし、幅広い機械学習問題にアプローチする新しい方法を提供します。
  論文  参考訳（メタデータ） (2022-07-04T11:27:08Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
  従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。 強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。 本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
  論文  参考訳（メタデータ） (2020-05-21T19:47:05Z)
• Online Constrained Model-based Reinforcement Learning [13.362455603441552]
  主要な要件は、限られた時間とリソース予算内に留まりながら、継続的な状態とアクションスペースを扱う能力である。 本稿では,ガウス過程回帰と回帰水平制御を組み合わせたモデルに基づくアプローチを提案する。 本研究では,自動走行作業におけるオンライン学習のメリットを実証する。
  論文  参考訳（メタデータ） (2020-04-07T15:51:34Z)

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。