論文の概要: Neuro-evolutionary stochastic architectures in gauge-covariant neural fields

• arxiv url: http://arxiv.org/abs/2604.20373v1
• Date: Wed, 22 Apr 2026 09:15:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.064781
• Title: Neuro-evolutionary stochastic architectures in gauge-covariant neural fields
• Title（参考訳）: ゲージ共変神経場における神経進化的確率的構造
• Authors: Rodrigo Carmo Terin,
• Abstract要約: 我々は,関数空間内で進化する遅い変数に対して,アーキテクチャレベルのパラメータを促進することにより,ゲージ共変ニューラルフィールドフレームワークを拡張した。 我々の有効理論は古典的可換場の観点から定式化され、対称性に制約された限界性および有限幅効果の診断を提供する。
• 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 extend our gauge-covariant stochastic neural-field framework by promoting architecture-level parameters to slow stochastic variables evolving in function space. Our effective theory is formulated in terms of classical commuting fields and provides symmetry-constrained diagnostics of marginality and finite-width effects through the maximal Lyapunov exponent, the amplification factor, and dressed spectral kernels. On top of this dynamics, we introduce a Markovian evolutionary scheme compatible with the local $U(1)$ structure of the effective model. By using a minimal implementation, the genotype is reduced to the weight-variance parameter $σ_w^2$, and the fitness functional combines spectral agreement, marginal stability, and a symmetry-constrained critical anchor. Comparing three evolutionary models, we find that only the fully symmetry-constrained Ginibre $U(1)$ version robustly approaches a narrow near-marginal regime and reproduces the predicted low-frequency finite-width spectral behavior. These results support the use of symmetry-guided effective stability diagnostics as practical principles for stochastic architecture search in controlled settings.
• Abstract（参考訳）: 我々は,関数空間内で進化する確率変数を遅くするために,アーキテクチャレベルのパラメータを促進させることにより,ゲージ共変確率的ニューラルネットワークフレームワークを拡張した。 我々の有効理論は古典的可換場の観点から定式化され、最大リアプノフ指数、増幅係数、および服を着たスペクトル核を通じて、限界性および有限幅効果の対称性に制約された診断を提供する。 この力学に加えて、有効モデルの局所$U(1)$構造に適合するマルコフ的進化スキームを導入する。 最小限の実装を用いることで、ジェノタイプは重量分散パラメータ $σ_w^2$ に還元され、適合関数はスペクトル整合、境界安定性、対称性に制約された臨界アンカーを結合する。 3つの進化モデルを比較すると、完全に対称性に制約されたGinibre $U(1)$バージョンのみが狭い準位に近い状態に強く近づき、予測された低周波有限幅スペクトルの挙動を再現することがわかった。 これらの結果は、制御された環境下での確率的アーキテクチャ探索の実践原則として、対称性誘導による効果的な安定性診断の使用を支援する。

関連論文リスト

• Graph Symmetry Organizes Exceptional Dynamics in Open Quantum Systems [0.0]
  完備Liouvillian 生成器から直接例外点を同定し特徴付けるための対称性分解アプローチを導入する。 さらに固有ベクトル条件に基づく数値診断(例外点強度$mathcalE$)を導入する。 より広範に、このフレームワークは複雑または高次元のオープンシステムにおいて隠された例外構造を体系的に発見することができる。
  論文  参考訳（メタデータ） (2026-03-11T11:14:07Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• Rethinking Diffusion Models with Symmetries through Canonicalization with Applications to Molecular Graph Generation [56.361076943802594]
  CanonFlowは、挑戦的なGEOM-DRUGデータセット上で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-16T18:58:55Z)
• Optimal Effective Hamiltonian for Quantum Computing and Simulation [1.0359978670015826]
  実効モデルの基本原理としてLast Action Unitary Transformationを確立します。 この枠組みを超伝導量子プロセッサの実験データに対して検証する。 この研究は、高精度なシステム学習とハミルトン工学のための体系的で実験的に検証されたルートを提供する。
  論文  参考訳（メタデータ） (2026-02-03T15:09:29Z)
• Reinforcement Learning Using known Invariances [54.91261509214309]
  本稿では、既知のグループ対称性をカーネルベースの強化学習に組み込むための理論的枠組みを開発する。 対称性を意識したRLは、標準のカーネルよりも大幅に性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-11-05T13:56:14Z)
• A Bayesian Framework for Symmetry Inference in Chaotic Attractors [0.0]
  候補部分群の格子上での確率的モデル選択として対称性検出を定式化する枠組みを提案する。 人間の歩行力学への応用は、機械的制約によって引き起こされる対称性の変化を明らかにする。
  論文  参考訳（メタデータ） (2025-10-18T13:49:35Z)
• Noise-induced decoherence-free zones for anyons [0.0]
  固定パラメータから変動量への交換位相の促進を行う異種システムのためのフレームワークを開発する。 保護モードは、常に$thetastar = pi/2$というデファを最小化し、$D$の特定の形式とは無関係であることを示す。 これは、ノイズの多い異音系におけるコヒーレンスを最適化するための単純な設計規則を強調している。
  論文  参考訳（メタデータ） (2025-10-07T16:21:57Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
  2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。 NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。 我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:54:53Z)
• Convex Analysis of the Mean Field Langevin Dynamics [49.66486092259375]
  平均場ランゲヴィン力学の収束速度解析について述べる。 ダイナミックスに付随する$p_q$により、凸最適化において古典的な結果と平行な収束理論を開発できる。
  論文  参考訳（メタデータ） (2022-01-25T17:13:56Z)

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。