論文の概要: Learning the Inverse Ryu--Takayanagi Formula with Transformers

• arxiv url: http://arxiv.org/abs/2511.06387v1
• Date: Sun, 09 Nov 2025 13:52:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.914161
• Title: Learning the Inverse Ryu--Takayanagi Formula with Transformers
• Title（参考訳）: 変圧器を用いた逆龍-高柳公式の学習
• Authors: Sejin Kim,
• Abstract要約: 本稿では,AdS$_3$におけるホログラフィックエンタングルメントエントロピーの逆問題について,データ駆動生成モデルを用いて検討する。 訓練データは,無作為に生成された測地とそのホログラフィックエンタングルメントエントロピーから成っている。 トレーニング後、Transformerは、それまで目に見えない入力からメトリックアンサッツ内の黒色化関数を再構築する。
• 参考スコア（独自算出の注目度）: 0.5393695255603842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the inverse problem of holographic entanglement entropy in AdS$_3$ using a data-driven generative model. Training data consist of randomly generated geometries and their holographic entanglement entropies using the Ryu--Takayanagi formula. After training, the Transformer reconstructs the blackening function within our metric ansatz from previously unseen inputs. The Transformer achieves accurate reconstructions on smooth black hole geometries and extrapolates to horizonless backgrounds. We describe the architecture and data generation process, and we quantify accuracy on both $f(z)$ and the reconstructed $S(\ell)$. Code and evaluation scripts are available at the provided repository.
• Abstract（参考訳）: 本稿では,AdS$_3$におけるホログラフィックエンタングルメントエントロピーの逆問題について,データ駆動生成モデルを用いて検討する。 訓練データは,竜-高柳式を用いた無作為なジオメトリーとそのホログラフィックエンタングルメントエントロピーから成っている。 トレーニング後、Transformerは、それまで目に見えない入力からメトリックアンサッツ内の黒色化関数を再構築する。 トランスフォーマーは滑らかなブラックホールの地形を正確に再現し、地平線のない背景に外挿する。 アーキテクチャとデータ生成プロセスを説明し、$f(z)$と再構成された$S(\ell)$の両方で精度を定量化する。 コードと評価スクリプトは提供されたリポジトリで入手可能だ。

関連論文リスト

• A Law of Data Reconstruction for Random Features (and Beyond) [35.943641163913206]
  大規模なディープラーニングモデルは、トレーニングセットの一部を記憶することが知られている。 モデル内のパラメータs$p$が、トレーニングサンプルs$n$よりも大きい場合、これを実現できることを示す。 我々の結果はデータ再構成の法則を明らかにしており、トレーニングデータセット全体が$p$が$dn$を超えると、回復できる。
  論文  参考訳（メタデータ） (2025-09-26T11:29:23Z)
• HoliGS: Holistic Gaussian Splatting for Embodied View Synthesis [59.25751939710903]
  本稿では,長い単眼RGBビデオのエンボディドビュー合成に対処する,変形可能なガウススプラッティングフレームワークを提案する。 提案手法は,非可逆ガウス散乱変形ネットワークを利用して大規模動的環境を正確に再構築する。 その結果、現実のシナリオにおけるEVSの実用的でスケーラブルなソリューションが浮かび上がっています。
  論文  参考訳（メタデータ） (2025-06-24T03:54:40Z)
• No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
  NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。 提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。 この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:58:22Z)
• GaussianBody: Clothed Human Reconstruction via 3d Gaussian Splatting [14.937297984020821]
  本稿では,3次元ガウシアンスプラッティングをベースとした,ガウシアンボディと呼ばれる新しい布地復元手法を提案する。 静的な3次元ガウススメッティングモデルを動的復元問題に適用することは、複雑な非剛性変形とリッチな布の細部のために非自明である。 本手法は,ダイナミックな衣料人体に高精細な画質で,最先端のフォトリアリスティックなノベルビューレンダリングを実現できることを示す。
  論文  参考訳（メタデータ） (2024-01-18T04:48:13Z)
• Training 3D ResNets to Extract BSM Physics Parameters from Simulated Data [0.0]
  角と運動の分布を擬似イメージに変換する新しいデータ表現を提案する。 概念実証として、34層の残留ニューラルネットワークをトレーニングし、これらの画像を回帰させ、Wilson Coefficient $C_9$ in Monte Carlo Simulations of $B0 rightarrow K*0mu+mu-$ decays(英語版)のWilson Coefficient $C_9$に関する情報を決定する。
  論文  参考訳（メタデータ） (2023-11-21T23:49:51Z)
• Transformers learn in-context by gradient descent [58.24152335931036]
  自己回帰目標におけるトランスフォーマーの訓練は、勾配に基づくメタラーニングの定式化と密接に関連している。 トレーニングされたトランスフォーマーがメザ最適化器となる方法,すなわち,前方通過における勾配降下によるモデル学習方法を示す。
  論文  参考訳（メタデータ） (2022-12-15T09:21:21Z)
• $BT^2$: Backward-compatible Training with Basis Transformation [107.37014712361788]
  検索システムは、より良い表現モデルに更新する際に、ギャラリー内のすべてのデータの表現を再計算する必要があることが多い。 このプロセスはバックフィルとして知られており、ギャラリーが何十億ものサンプルを含んでいる現実世界では特にコストがかかる。 近年、研究者らは、新しい表現モデルを補助的損失で訓練し、古い表現と後方互換性を持たせることができる、後方互換性トレーニング(BCT)のアイデアを提案している。
  論文  参考訳（メタデータ） (2022-11-08T04:00:23Z)
• Reconstruction of turbulent data with deep generative models for semantic inpainting from TURB-Rot database [0.0]
  本稿では,コンピュータビジョンコミュニティが開発するツールを用いて,流体乱流構成のデータ再構成を行う特徴学習と意味画像のインペインティングについて検討する。 深部生成逆数モデル (Deep-GAN) に埋め込まれた畳み込みニューラルネットワークの乱流中に欠落するデータを生成する能力について検討する。
  論文  参考訳（メタデータ） (2020-06-16T14:26:07Z)

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。