Fugu-MT 論文翻訳(概要): Deep Learning as the Disciplined Construction of Tame Objects

論文の概要: Deep Learning as the Disciplined Construction of Tame Objects

arxiv url: http://arxiv.org/abs/2509.18025v1
Date: Mon, 22 Sep 2025 17:00:40 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-23 18:58:16.523392
Title: Deep Learning as the Disciplined Construction of Tame Objects
Title（参考訳）: 為オブジェクトの学際的構築としての深層学習
Authors: Gilles Bareilles, Allen Gehret, Johannes Aspman, Jana Lepšová, Jakub Mareček,
Abstract要約: ディープラーニングは、いわゆるテーム幾何学の中の関数の合成であると見なすことができる。本稿では,tameインターフェース理論(o-minimalityとも呼ばれる)とディープラーニング理論の概要について述べる。
参考スコア（独自算出の注目度）: 0.9786690381850356
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: One can see deep-learning models as compositions of functions within the so-called tame geometry. In this expository note, we give an overview of some topics at the interface of tame geometry (also known as o-minimality), optimization theory, and deep learning theory and practice. To do so, we gradually introduce the concepts and tools used to build convergence guarantees for stochastic gradient descent in a general nonsmooth nonconvex, but tame, setting. This illustrates some ways in which tame geometry is a natural mathematical framework for the study of AI systems, especially within Deep Learning.
Abstract（参考訳）: ディープラーニングモデルは、いわゆるテーム幾何学内の関数の合成と見なすことができる。本稿では,タメ幾何(o-minimality),最適化理論,深層学習理論と実践のインターフェースについて概説する。そこで我々は, 一般の非滑らかな非凸において, 確率勾配勾配の収束を保証するための概念とツールを徐々に導入する。これは、特にディープラーニングにおけるAIシステムの研究において、テーム幾何学が自然な数学的枠組みである、いくつかの方法を示している。

関連論文リスト

Geometric Origins of Bias in Deep Neural Networks: A Human Visual System Perspective [1.7315645623674356]
ディープニューラルネットワーク(DNN)におけるバイアス形成は、依然として批判的だが理解されていない課題である。人間の視覚システムに触発されて,クラス固有の知覚マニフォールドの幾何学的複雑さをモデルバイアスに結びつける幾何学的分析フレームワークを提案する。この解析を支援するために,知覚多様体の幾何学的性質を計算するために設計された知覚多様体幾何学ライブラリを提案する。
論文参考訳（メタデータ） (2025-02-17T13:54:02Z)
Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文参考訳（メタデータ） (2024-10-31T22:54:34Z)
Geometric Constraints in Deep Learning Frameworks: A Survey [12.021629185200807]
Stereoの形状の古典的な幾何学的技法は、シーンとカメラの深層学習の制約を定義するために幾何学を用いて構築されている。我々は、深度推定やその他の密接な視覚タスクのためのディープラーニングフレームワークに制約を組み込んだ幾何を比較し、対比する。本稿では、現代のディープラーニングフレームワークで使用される制約を規定する、一般的な幾何学のための新しい分類法を提案する。
論文参考訳（メタデータ） (2024-03-19T04:41:09Z)
A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文参考訳（メタデータ） (2023-12-12T18:44:19Z)
Exploring Data Geometry for Continual Learning [64.4358878435983]
非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-04-08T06:35:25Z)
Is Distance Matrix Enough for Geometric Deep Learning? [24.307433184938127]
我々は,Vanilla DisGNNが幾何学的に不完全であることを示す。次に,距離行列に含まれるリッチな幾何学を効果的に活用できる$k$-DisGNNを提案する。私たちの$k$-DisGNNsはMD17.comの最先端の成果を多数達成しています。
論文参考訳（メタデータ） (2023-02-11T16:54:20Z)
Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。 CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
論文参考訳（メタデータ） (2021-04-27T21:09:51Z)
Fusing the Old with the New: Learning Relative Camera Pose with Geometry-Guided Uncertainty [91.0564497403256]
本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
論文参考訳（メタデータ） (2021-04-16T17:59:06Z)
DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape Generation [98.96086261213578]
DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
論文参考訳（メタデータ） (2020-08-12T17:06:51Z)

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。