Fugu-MT 論文翻訳(概要): Multiplicity of Stable Attractors in Disordered Neural Models

論文の概要: Multiplicity of Stable Attractors in Disordered Neural Models

arxiv url: http://arxiv.org/abs/2607.22047v1
Date: Fri, 24 Jul 2026 07:27:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 20:58:57.074517
Title: Multiplicity of Stable Attractors in Disordered Neural Models
Title（参考訳）: 障害型ニューラルモデルにおける安定アクチュエータの多重性
Abstract要約: ニューラル常微分方程式のモデルにおいて, 安定な不動点の乗算性について, 信頼性の高い推定値が得られることを示す。
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 show how large-deviation statistics allows one to obtain reliable estimates of the multiplicity of stable fixed-points in a model of neural ordinary differential equations previously employed in computational tasks. The result is obtained by developing a suitable perturbative method in the amplitude of the disorder. It turns out that for not-too-large coupling strengths there are no qualitative differences between the symmetric case, when the dynamics is a purely gradient evolution, and the asymmetric case, when limit cycles and chaos can, in principle, arise. The selection of this specific model is dictated by pedagogical reasons, but we are confident that the approach can be extended to other many-degree-of-freedom dynamical models characterized by different classes of random coupling matrices.
Abstract（参考訳）: 計算処理に用いたニューラル常微分方程式のモデルにおいて, 大偏差統計学が安定な不動点の乗算性について, 信頼性の高い推定値を得ることができることを示す。その結果、障害の振幅において適切な摂動法を開発することにより得られる。過度に大きい結合強度については、力学が純粋に勾配の進化である場合と、極限サイクルやカオスが原理的に生じる場合とでは、対称ケースの間に質的な違いは存在しないことが判明した。この特定のモデルの選択は、教育的な理由によって決定されるが、ランダムカップリング行列の異なるクラスによって特徴づけられる他の多自由度力学モデルにアプローチを拡張できると確信している。

関連論文リスト

Equivariant Flow Matching for Symmetry-Breaking Bifurcation Problems [2.720699926154399]
本稿では,分岐結果に対する全確率分布をモデル化するためのフローマッチングに基づく生成フレームワークを提案する。我々は、玩具モデルから座屈ビームやアレン・カーンの方程式のような複雑な物理問題まで、様々なシステムに対するアプローチを検証する。
論文参考訳（メタデータ） (2025-09-03T14:18:05Z)
On Equivariant Model Selection through the Lens of Uncertainty [49.137341292207]
等変モデルは、予測性能を改善するために対称性に関する事前の知識を活用するが、不特定なアーキテクチャ上の制約がそれを傷つける可能性がある。我々は、頻繁な(コンフォーマル予測による)、ベイジアン(限界確率による)、およびキャリブレーションに基づく評価による誤りに基づく評価の比較を行った。不確実性指標は一般的に予測性能と一致するが,ベイズ模型の証拠は矛盾する。
論文参考訳（メタデータ） (2025-06-23T13:35:06Z)
Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms [59.15672758767244]
因果発見は、通常、非ガウス性のようなデータ生成モデルに対する強い仮定に依存する難しい問題である。ここでは、この多視点構造を利用して、弱い仮定で因果発見を行う。本稿では,複数視点因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2025-02-27T14:06:14Z)
Principled model selection for stochastic dynamics [0.0]
オーバーフィッティングは、個々のモデルの複雑さだけでなく、可能なモデルの成長からも生じることを示す。 PASTIS(Parsimonious Inference, Parsimonious Inference)は、超流動パラメータを抑えるために、極値理論と確率推定を組み合わせた原理的手法である。
論文参考訳（メタデータ） (2025-01-17T18:23:16Z)
Transition of $α$-mixing in Random Iterations with Applications in Queuing Theory [0.0]
本研究では, 混合特性を外因性回帰器から結合論による応答へ伝達することを示す。また,非定常環境下においても,ドリフトおよびマイノライズ条件のランダム環境におけるマルコフ連鎖について検討した。
論文参考訳（メタデータ） (2024-10-07T14:13:37Z)
DiffHybrid-UQ: Uncertainty Quantification for Differentiable Hybrid Neural Modeling [4.76185521514135]
本稿では,ハイブリッドニューラル微分可能モデルにおける有効かつ効率的な不確実性伝播と推定のための新しい手法DiffHybrid-UQを提案する。具体的には,データノイズとてんかんの不確かさから生じるアレタリック不確かさと,モデル形状の相違やデータ空間のばらつきから生じるエピステマティック不確かさの両方を効果的に識別し,定量化する。
論文参考訳（メタデータ） (2023-12-30T07:40:47Z)
Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文参考訳（メタデータ） (2023-09-28T13:04:11Z)
Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文参考訳（メタデータ） (2021-09-06T14:52:58Z)
Compositional Modeling of Nonlinear Dynamical Systems with ODE-based Random Features [0.0]
この問題に対処するための新しいドメインに依存しないアプローチを提案する。我々は、通常の微分方程式から導かれる物理インフォームド・ランダムな特徴の合成を用いる。提案手法は,ベンチマーク回帰タスクにおいて,他の多くの確率モデルに匹敵する性能を実現する。
論文参考訳（メタデータ） (2021-06-10T17:55:13Z)
Nonlinear Independent Component Analysis for Continuous-Time Signals [85.59763606620938]
このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
論文参考訳（メタデータ） (2021-02-04T20:28:44Z)
Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文参考訳（メタデータ） (2020-10-25T18:51:15Z)
Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。分散による離散乗法雑音のパラメータによく現れることを示す。最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。