論文の概要: Generating Hadamard matrices with transformers

• arxiv url: http://arxiv.org/abs/2604.11101v1
• Date: Mon, 13 Apr 2026 07:18:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.391273
• Title: Generating Hadamard matrices with transformers
• Title（参考訳）: 変圧器を用いたアダマール行列の生成
• Authors: Geordie Williamson, Oded Yacobi, Paul Zinn-Justin,
• Abstract要約: 本稿では,変換ニューラルネットワークと局所探索を組み合わせたAdamard行列をPatternBoostフレームワークで構築する手法を提案する。 提案手法は,探索問題が非常に少ないために設計されており,特にガエサルのアダマール行列-シーデル型に対して有効である。
• 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 present a new method for constructing Hadamard matrices that combines transformer neural networks with local search in the PatternBoost framework. Our approach is designed for extremely sparse combinatorial search problems and is particularly effective for Hadamard matrices of Goethals--Seidel type, where Fourier methods permit fast scoring and optimisation. For orders between $100$ and $250$, it produces large numbers of inequivalent Hadamard matrices, and in harder cases it succeeds where local search from random initialisation fails. The largest example found by our method has order $244$. In addition to these new constructions, our experiments reveal that the transformer can discover and exploit useful hidden symmetry in the search space.
• Abstract（参考訳）: 本稿では,変換ニューラルネットワークと局所探索を組み合わせたAdamard行列をPatternBoostフレームワークで構築する手法を提案する。 提案手法は, 極めて少ない組合せ探索問題に対して設計されており, 高速スコアリングと最適化をFourier法で許容するGoethals-Seidel型のHadamard行列に対して特に有効である。 100ドルから250ドルの間では、多くのアダマール行列が生成され、より難しい場合にはランダムな初期化からの局所探索が失敗する。 私たちの方法で見つかった最大の例は、244ドルの注文です。 これらの新しい構成に加えて,本実験により,この変換器が探索空間に有用な隠れ対称性を発見し,活用できることが判明した。

関連論文リスト

• Symplectic Split-Operator Propagators from Tridiagonalized Multi-Mode Bosonic Hilbert Spaces for Bose-Hubbard Hamiltonians [0.0]
  ボソニック・マルチモードシステムの2つのファミリーをトリディアゴナライズする。 ボソニック・マルチモードシステムの2つのファミリーをトリディアゴナライズする方法を示す。
  論文  参考訳（メタデータ） (2026-03-26T16:51:03Z)
• Block encoding of sparse matrices with a periodic diagonal structure [67.45502291821956]
  周期的な対角構造を持つスパース行列を符号化するための明示的な量子回路を提供する。 本手法の様々な応用は, 微分問題を解く文脈で論じる。
  論文  参考訳（メタデータ） (2026-02-11T07:24:33Z)
• Sketching Low-Rank Plus Diagonal Matrices [26.821119029667702]
  この研究は、低ランク*と*の対角成分を同時に推定するSKETCHLORDを導入する。 理論的および経験的に、この結合推定は任意の逐次変量よりも優れていることを示す。 合成(近似)LoRD行列に関する総合的な実験により、これらの構造を正確に復元するSKETCHLORDの性能が確認された。
  論文  参考訳（メタデータ） (2025-09-28T02:44:16Z)
• Improving Algorithmic Efficiency using Cryptography [11.496343300483904]
  計算問題を解く際の時間的複雑さを改善するために暗号を用いる方法を示す。 標準的な暗号仮定の下では、既存のアルゴリズムよりも決定的に高速なアルゴリズムを設計できることを示す。
  論文  参考訳（メタデータ） (2025-02-18T17:08:59Z)
• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• Sparse Factorization of Large Square Matrices [10.94053598642913]
  本稿では,大面積の正方行列とスパースフルランク行列の積を近似する。 近似では、我々の手法は$Ntimes N$ full matrix に対して$N(log N)2$ non-zero number しか必要としない。 近似行列がスパースかつハイランクである場合,本手法により近似精度が向上することを示す。
  論文  参考訳（メタデータ） (2021-09-16T18:42:21Z)
• Robust 1-bit Compressive Sensing with Partial Gaussian Circulant Matrices and Generative Priors [54.936314353063494]
  我々は,ロバストな1ビット圧縮センシングのための相関に基づく最適化アルゴリズムのリカバリ保証を提供する。 我々は,実用的な反復アルゴリズムを用いて,画像データセットの数値実験を行い,結果の相関付けを行う。
  論文  参考訳（メタデータ） (2021-08-08T05:28:06Z)
• Linear-Sample Learning of Low-Rank Distributions [56.59844655107251]
  ktimes k$, rank-r$, matrices to normalized $L_1$ distance requires $Omega(frackrepsilon2)$ sample。 我々は、$cal O(frackrepsilon2log2fracepsilon)$ sample, a number linear in the high dimension, and almost linear in the matrices, usually low, rank proofs.というアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-30T19:10:32Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)
• Optimal Iterative Sketching with the Subsampled Randomized Hadamard Transform [64.90148466525754]
  最小二乗問題に対する反復スケッチの性能について検討する。 本研究では、Haar行列とランダム化されたHadamard行列の収束速度が同一であることを示し、ランダムなプロジェクションを経時的に改善することを示した。 これらの手法は、ランダム化次元還元を用いた他のアルゴリズムにも適用することができる。
  論文  参考訳（メタデータ） (2020-02-03T16:17:50Z)

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。