論文の概要: Electric Currents for Discrete Data Generation

• arxiv url: http://arxiv.org/abs/2509.23825v1
• Date: Sun, 28 Sep 2025 11:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.471171
• Title: Electric Currents for Discrete Data Generation
• Title（参考訳）: 離散データ生成のための電流
• Authors: Alexander Kolesov, Stepan Manukhov, Vladimir V. Palyulin, Alexander Korotin,
• Abstract要約: ECD$2$Gは電気工学理論に基づく離散的なデータ生成の先駆的手法である。 ECD$2$G法を説明するための概念実証実験を提案する。
• 参考スコア（独自算出の注目度）: 85.87349969357068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose $\textbf{E}$lectric $\textbf{C}$urrent $\textbf{D}$iscrete $\textbf{D}$ata $\textbf{G}$eneration (ECD$^{2}$G), a pioneering method for data generation in discrete settings that is grounded in electrical engineering theory. Our approach draws an analogy between electric current flow in a circuit and the transfer of probability mass between data distributions. We interpret samples from the source distribution as current input nodes of a circuit and samples from the target distribution as current output nodes. A neural network is then used to learn the electric currents to represent the probability flow in the circuit. To map the source distribution to the target, we sample from the source and transport these samples along the circuit pathways according to the learned currents. This process provably guarantees transfer between data distributions. We present proof-of-concept experiments to illustrate our ECD$^{2}$G method.
• Abstract（参考訳）: 電気工学理論に基礎を置く個別設定データ生成の先駆的手法である$\textbf{E}$lectric $\textbf{C}$urrent $\textbf{D}$iscrete $\textbf{D}$ata $\textbf{G}$eneration (ECD$^{2}$G)を提案する。 提案手法は,回路内の電流の流れとデータ分布間の確率質量の移動の類似性を引き出す。 我々は、ソース分布からのサンプルを回路の電流入力ノードとして解釈し、ターゲット分布からのサンプルを電流出力ノードとして解釈する。 次にニューラルネットワークを使用して、回路内の確率フローを表す電流を学習する。 ソース分布をターゲットにマップするには,ソースからサンプルを採取し,学習電流に応じて回路経路に沿ってこれらのサンプルを輸送する。 このプロセスは、データ分散間の転送を確実に保証します。 ECD$^{2}$G法を説明するための概念実証実験を提案する。

関連論文リスト

• Field Matching: an Electrostatic Paradigm to Generate and Transfer Data [85.96146230529264]
  本稿では,生成的モデリングと分散伝達タスクのための新しい手法を提案する。 私たちのアプローチは、電気コンデンサの物理学にインスパイアされています。 実際に,おもちゃおよび画像データ実験におけるEMFの性能を実演する。
  論文  参考訳（メタデータ） (2025-02-04T14:50:16Z)
• Online Centralized Non-parametric Change-point Detection via Graph-based Likelihood-ratio Estimation [77.81487285123147]
  グラフの各ノードを、ほぼリアルタイムで同期して観測されるデータストリームを生成するようにします。 変更ポイント$tau$では、変更はノードのサブセット$C$で発生し、関連するノードストリームの確率分布に影響を与える。 本稿では,ポストチェンジとノードストリームの事前変更分布の確率比の直接推定に基づいて,$tau$を検出して$C$をローカライズするカーネルベースの新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-01-08T10:15:24Z)
• 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$パワーローによって制御されることを示す。
  論文  参考訳（メタデータ） (2022-04-19T18:04:36Z)
• A System for Generating Non-Uniform Random Variates using Graphene Field-Effect Transistors [2.867517731896504]
  グラフェン電界効果トランジスタの転送特性に基づいたハードウェア非一様乱数生成手法を提案する。 この方法はカスタムコンピューティングシステムに統合できる。 モンテカルロ積分を最大2$times$の係数で高速化する。
  論文  参考訳（メタデータ） (2020-04-28T10:09:05Z)

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。