Fugu-MT 論文翻訳(概要): Deep Randomized Distributed Function Computation (DeepRDFC): Neural Distributed Channel Simulation

論文の概要: Deep Randomized Distributed Function Computation (DeepRDFC): Neural Distributed Channel Simulation

arxiv url: http://arxiv.org/abs/2603.10750v1
Date: Wed, 11 Mar 2026 13:24:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-12 16:22:32.962226
Title: Deep Randomized Distributed Function Computation (DeepRDFC): Neural Distributed Channel Simulation
Title（参考訳）: Deep Randomized Distributed Function Computation (DeepRDFC): Neural Distributed Channel Simulation
Authors: Didrik Bergström, Onur Günlü,
Abstract要約: AE出力でシミュレートされた確率分布と未知のターゲット分布との間の全変動距離をデータサンプルのみを用いて最小化するオートエンコーダアーキテクチャを提案する。本設計では,RDFC法を深層学習ベースで構築し,RDFC法の使用を容易にすることを目的としている。
参考スコア（独自算出の注目度）: 6.141945506223323
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The randomized distributed function computation (RDFC) framework, which unifies many cutting-edge distributed computation and learning applications, is considered. An autoencoder (AE) architecture is proposed to minimize the total variation distance between the probability distribution simulated by the AE outputs and an unknown target distribution, using only data samples. We illustrate significantly high RDFC performance with communication load gains from our AEs compared to data compression methods. Our designs establish deep learning-based RDFC methods and aim to facilitate the use of RDFC methods, especially when the amount of common randomness is limited and strong function computation guarantees are required.
Abstract（参考訳）: 多くの最先端分散計算と学習アプリケーションを統一するランダム化分散関数計算(RDFC)フレームワークについて考察する。 AE出力でシミュレートされた確率分布と未知のターゲット分布との間の全変動距離をデータサンプルのみを用いて最小化するために,オートエンコーダ(AE)アーキテクチャを提案する。データ圧縮法と比較して,AEから通信負荷が増大するRDFC性能が著しく高いことを示す。本設計では,RDFC法を深層学習ベースで構築し,RDFC法の使用を容易にすることを目的としている。

関連論文リスト

Randomized Distributed Function Computation (RDFC): Ultra-Efficient Semantic Communication Applications to Privacy [7.255894982283692]
我々は,受信機が入力データのランダム化関数を生成するのに十分な情報を送信できるような,ランダム化分散関数計算(RDFC)フレームワークを確立する。セキュリティとプライバシの制約は、一般的にランダム化ステップを必要とするため、このモデルに自然に適合することを示す。我々はRDFCをプライバシを考慮した分散計算システムのためのエネルギー効率の高いセマンティック通信戦略として位置づけた。
論文参考訳（メタデータ） (2026-03-10T12:23:50Z)
Scalable Random Wavelet Features: Efficient Non-Stationary Kernel Approximation with Convergence Guarantees [5.758073912084366]
そこで我々はRandom Wavelet Features (RWF)を紹介した。これはスケーラブルで非定常なカーネル近似をウェーブレットファミリーからのサンプリングによって構築するフレームワークである。ウェーブレットの局所化と多重解像度構造を利用して、RWFは複雑な入力依存パターンをキャプチャする明示的な特徴写像を生成する。我々は、RWFが静止したランダムな特徴より優れ、説得力のある精度と効率のトレードオフを提供する、様々な挑戦的な合成および実世界のデータセットを実証的に実証する。
論文参考訳（メタデータ） (2026-02-01T02:56:56Z)
SCORENF: Score-based Normalizing Flows for Sampling Unnormalized distributions [5.204468049641428]
正規化フローアーキテクチャ上に構築されたスコアベースの学習フレームワークであるScoreNFを提案する。 ScoreNFは訓練アンサンブルが小さい場合でも高い性能を維持していることを示す。また,モード被覆とモード崩壊の挙動を評価する手法を提案する。
論文参考訳（メタデータ） (2025-10-24T10:43:19Z)
A Distribution-Aware Flow-Matching for Generating Unstructured Data for Few-Shot Reinforcement Learning [1.0709300917082865]
数発の強化学習のための合成非構造化データを生成するための分布認識フローマッチング手法を提案する。我々のアプローチは、オーバーフィッティングやデータ相関など、従来のモデルベースRLにおける重要な課題に対処する。提案手法は,初期タイムスタンプのフレームレートを30%向上させながら,最大Q値で安定した収束を実現することを示す。
論文参考訳（メタデータ） (2024-09-21T15:50:59Z)
Neural Conditional Probability for Uncertainty Quantification [22.951644463554352]
条件分布の学習に対する演算子理論的アプローチであるニューラル条件確率(NCP)を導入する。ニューラルネットワークの近似能力を活用することで、NCPは様々な複合プレックス確率分布を効率的に扱うことができる。実験では,2層ネットワークを持つNCPが先行手法に適合するか,あるいは性能が優れていることを示す。
論文参考訳（メタデータ） (2024-07-01T10:44:29Z)
Boundary-aware Decoupled Flow Networks for Realistic Extreme Rescaling [49.215957313126324]
Invertible rescaling Network (IRN) やgenerative adversarial Network (GAN) などを含む最近の生成手法は、画像再スケーリングにおいて例外的な性能を示した。しかし、IRNベースの手法は過度に滑らかな結果を生成する傾向にあり、一方、GANベースの手法は偽の細部を容易に生成する。本稿では,現実的かつ視覚的に満足な結果を生成するために,境界対応デカップリングフローネットワーク(BDFlow)を提案する。
論文参考訳（メタデータ） (2024-05-05T14:05:33Z)
Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文参考訳（メタデータ） (2024-01-29T02:08:40Z)
Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach [58.57026686186709]
本稿では, Convolutional Transformer Layer (ConvFormer) を導入し, ConvFormer-based Super-Resolution Network (CFSR) を提案する。 CFSRは畳み込みベースのアプローチとトランスフォーマーベースのアプローチの両方の利点を継承する。 CFSRは計算コストと性能のバランスが最適であることを示す実験である。
論文参考訳（メタデータ） (2024-01-11T03:08:00Z)
Score-based Source Separation with Applications to Digital Communication Signals [72.6570125649502]
拡散モデルを用いた重畳音源の分離手法を提案する。高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
論文参考訳（メタデータ） (2023-06-26T04:12:40Z)
Efficient semidefinite-programming-based inference for binary and multi-class MRFs [83.09715052229782]
分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
論文参考訳（メタデータ） (2020-12-04T15:36:29Z)

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。