Fugu-MT 論文翻訳(概要): Extrapolation of Periodic Functions Using Binary Encoding of Continuous Numerical Values

論文の概要: Extrapolation of Periodic Functions Using Binary Encoding of Continuous Numerical Values

arxiv url: http://arxiv.org/abs/2512.10817v1
Date: Thu, 11 Dec 2025 17:08:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-12 16:15:42.478024
Title: Extrapolation of Periodic Functions Using Binary Encoding of Continuous Numerical Values
Title（参考訳）: 連続数値のバイナリエンコーディングによる周期関数の補間
Authors: Brian P. Powell, Jordan A. Caraballo-Vega, Mark L. Carroll, Thomas Maxwell, Andrew Ptak, Greg Olmschenk, Jorge Martinez-Palomera,
Abstract要約: 連続数値を符号化する手法として正規化ベース2 (NB2E) を導入し, この入力符号化を用いて, バニラ多層パーセプトロン (MLP) が機能形態の事前知識なく多様な周期信号の抽出に成功したことを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We report the discovery that binary encoding allows neural networks to extrapolate periodic functions beyond their training bounds. We introduce Normalized Base-2 Encoding (NB2E) as a method for encoding continuous numerical values and demonstrate that, using this input encoding, vanilla multi-layer perceptrons (MLP) successfully extrapolate diverse periodic signals without prior knowledge of their functional form. Internal activation analysis reveals that NB2E induces bit-phase representations, enabling MLPs to learn and extrapolate signal structure independently of position.
Abstract（参考訳）: ニューラルネットワークがトレーニング境界を超えて周期関数を外挿できることを発見したことを報告する。連続数値を符号化する手法として正規化ベース2エンコーディング(NB2E)を導入し、この入力符号化を用いて、バニラ多層パーセプトロン(MLP)が機能形態の事前知識なく様々な周期信号の抽出に成功したことを示す。内部アクティベーション分析により、NB2Eはビット相表現を誘導し、MPPが位置に依存しない信号構造を学習し、外挿することができることが明らかになった。

関連論文リスト

Resolving Node Identifiability in Graph Neural Processes via Laplacian Spectral Encodings [9.343292907600913]
固有ベクトル符号のフリップや固有空間内の回転の基底に不変なラプラシアン位置符号化の理論を提供する。この符号化により、一定数の観測からノード識別性が得られ、Weisfeiler-Lehmanテストで制約されたアーキテクチャからサンプル複雑度を分離することが証明される。
論文参考訳（メタデータ） (2025-11-24T12:20:36Z)
Evolutionary Feature-wise Thresholding for Binary Representation of NLP Embeddings [0.24578723416255746]
Thresholdingは、連続的な埋め込みをバイナリ表現に変換する一般的な方法である。本稿では,各特徴の最適しきい値を特定するためのコーディネート検索に基づく最適化フレームワークを提案する。我々の最適なバーコード表現は、様々なNLPアプリケーションで有望な結果を示している。
論文参考訳（メタデータ） (2025-07-22T21:29:34Z)
Neural Functions for Learning Periodic Signal [25.278349611091983]
本稿では,計測から周期パターンを抽出し,その情報を利用して信号を表現する新しいネットワークアーキテクチャを提案する。偏微分方程式の周期解の学習を含む包括的実験により提案手法の有効性を実証する。
論文参考訳（メタデータ） (2025-06-11T08:52:01Z)
Toward Relative Positional Encoding in Spiking Transformers [76.72869420863749]
スパイキングニューラルネットワーク(スパイキングニューラルネット、英: Spiking Neural Network、SNN)は、脳内のニューロンが離散スパイクを通してどのように通信するかを模倣するバイオインスパイアネットワークである。スパイクのバイナリ特性を保ちながら、スパイク変換器における相対的な位置エンコーディングを近似する戦略をいくつか導入する。
論文参考訳（メタデータ） (2025-01-28T06:42:37Z)
Two Stones Hit One Bird: Bilevel Positional Encoding for Better Length Extrapolation [69.68831888599476]
そこで我々は,バイレベル位置符号化と呼ばれる新しい位置符号化法を開発した。倫理的分析は、この位置情報の絡み合いが学習をより効果的にすることを示している。私たちのBiPEは、多種多様なテキストモダリティにおいて、幅広いタスクにわたって、より優れた長さの補間機能を持っています。
論文参考訳（メタデータ） (2024-01-29T18:59:07Z)
Exponential data encoding for quantum supervised learning [0.0]
ハードウェア効率のよい指数型データ符号化手法を導入し,全ての非エンタングリングなパウリ符号化方式について検討する。このような符号化戦略は、量子リソースを減らすだけでなく、トレーニング中に実用的なリソース優位性を示すことを示す。
論文参考訳（メタデータ） (2022-06-24T06:51:53Z)
Improving Mandarin End-to-End Speech Recognition with Word N-gram Language Model [57.92200214957124]
外部言語モデル(LM)は、エンドツーエンド(E2E)自動音声認識(ASR)システムの音声認識性能を向上させることができる。単語レベルの格子をオンザフライで構築し,可能なすべての単語列を考慮可能な,新しい復号アルゴリズムを提案する。提案手法は,N-gram LMやニューラルネットワーク LM など,サブワードレベルのLMを一貫して上回る。
論文参考訳（メタデータ） (2022-01-06T10:04:56Z)
First Power Linear Unit with Sign [0.0]
バイオニクスの直感的な意味を持ちながら、一般的な逆操作によって啓蒙される。 PFPLUSと呼ばれるより一般化された型に表される関数を2つのパラメータで拡張する。
論文参考訳（メタデータ） (2021-11-29T06:47:58Z)
Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文参考訳（メタデータ） (2021-03-01T08:25:26Z)
Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
論文参考訳（メタデータ） (2020-10-07T03:34:01Z)

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。