論文の概要: Exploration of the generative capabilities of Boltzmann machines applied to social systems under the majority rule

• arxiv url: http://arxiv.org/abs/2607.23349v1
• Date: Sat, 25 Jul 2026 19:55:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.071135
• Title: Exploration of the generative capabilities of Boltzmann machines applied to social systems under the majority rule
• Title（参考訳）: 多数支配下の社会システムに適用されたボルツマン機械の生成能力の探索
• Abstract要約: 臨界条件下での多数ルールに支配されるシステムを回復するためのボルツマンマシンの生成能力について検討する。 我々は、異なる構成で深信ネットワーク(DBN)を訓練し、第1層は2つ以上の状態を持つガウス可視ユニットを使用できる。 次に、我々はDBNが、私たちが固定している可視光ユニットに条件付けされたサンプルを「ドレーム」することを許し、この夢のシステムを実際のものから逸脱させることを計測する。
• 参考スコア（独自算出の注目度）: 1.2891210250935148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the generative capabilities of Boltzmann machines to recover systems governed by the majority rule under critical conditions. To this end, we train deep belief networks (DBNs) with different configurations, where the first layer can use Gaussian visible units with more than two states (i.e., non-binary units). We then allow the DBN to "dream" samples conditioned on visible units that we keep fixed, and we measure the deviation of this dreamed system from the real one. We also corroborate, using a discrete thermometer based on a convolutional network, that the reconstructions remain in a critical state. Across several training sessions with different architectures, we show that, despite the complexity of the problem, the DBN can recover samples that remain critical even under input noise, with a gradual degradation of physical observables relative to the original sample.
• Abstract（参考訳）: 臨界条件下での多数ルールに支配されるシステムを回復するためのボルツマンマシンの生成能力について検討する。 この目的のために、我々は異なる構成で深層信念ネットワーク(DBN)を訓練し、第1層は2つ以上の状態(すなわち非バイナリ単位)を持つガウス可視単位を使用できる。 次に、我々はDBNに、私たちが固定している可視光ユニットに条件付けされたサンプルを"ドリーム"させることを許し、このドリーム化されたシステムと実際のユニットとの偏差を測定する。 また、畳み込みネットワークに基づく離散温度計を用いて、再構成が臨界状態のままであることを示す。 異なるアーキテクチャを用いたいくつかのトレーニングセッションにおいて,DBNは複雑な問題にもかかわらず,入力雑音下においても重要なサンプルを回収できることを示した。

関連論文リスト

• MNIST-PRO: MNIST is Back as a Partially Observable World for AI Agents [74.83535434786145]
  MNIST-PRO (MNIST-PRO) は、MNISTの桁認識を、ルックバック制約付きシーケンシャルな視線に基づく検索タスクに変換することで、エージェント認識を分離するベンチマークである。 生の視覚履歴、テキスト状態、構造化されたメートル法グリッドマップ、統合された視覚キャンバスを含む4つの記憶表現の10つのマルチモーダルモデルを評価する。
  論文  参考訳（メタデータ） (2026-08-31T16:05:39Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• VFM-Recon: Unlocking Cross-Domain Scene-Level Neural Reconstruction with Scale-Aligned Foundation Priors [49.39553550491549]
  VFMReconは, シーンレベルの神経再構成において, スケール一貫性の要求を満たすトランスファー可能なVFMプリエントをブリッジする最初の試みである。 具体的には、まず、マルチビュースケールコヒーレンスを復元する軽量なスケールアライメントステージを導入する。 次に、トレーニング済みのVFM機能を、軽量なタスク固有アダプタを介して、ニューラルボリューム再構築パイプラインに統合する。
  論文  参考訳（メタデータ） (2026-03-13T05:00:44Z)
• Preparation of cat states in many-body eigenbasis via non-local measurement [0.0]
  非局所的な測定により、与えられた多体Fock状態を正確に除去し、周期的に多体進化を中断することを提案する。 状態多様体が除去を生き残ることを示し、系をフィルタリングし、長い時間でこの多様体内でコヒーレントな重ね合わせを生成することができる。 我々の研究は、現在の量子シミュレータで利用可能なツールを用いた非局所的な測定を通して、量子状態の準備に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-06-30T19:08:06Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and Gradient Accumulation [106.04777600352743]
  微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。 シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。 メモリフレンドリーだが、計算コストも低い。 RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T06:34:07Z)
• Learning Monocular Visual Odometry via Self-Supervised Long-Term Modeling [106.15327903038705]
  単眼視覚計測(VO)はフレーム・ツー・フレームのポーズ推定時にエラーの蓄積に苦しむ。 本稿では,より長いシーケンスの一貫性を考慮したVOの自己教師付き学習手法を提案する。 我々は、幾何VOのループ閉鎖モジュールを模倣したサイクル整合損失を含む、純粋に自己監督的な損失でネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-07-21T17:59:01Z)
• Interpretable, Multidimensional, Multimodal Anomaly Detection with Negative Sampling for Detection of Device Failure [6.09170287691728]
  正の観察サンプルから負のサンプルを生成する教師なし異常検出法を提案する。 ニューラルネットワーク分類器による負のサンプリングは、分離林、一級SVM、ディープSVDDよりもAUCスコアが有意に高いことを示す。 ニューラルネットワーク分類器による負のサンプリングが、Googleのオフィスビル145の15,000以上の気候制御と電力メータデバイスにおいて、失敗をリアルタイムで予測するために、大規模なデプロイに成功した方法について説明する。
  論文  参考訳（メタデータ） (2020-07-12T21:07:34Z)
• Phase diagram reconstruction of the Bose-Hubbard model with a Restricted Boltzmann Machine wavefunction [0.0]
  制限ボルツマンマシンによる実験波動関数を用いた変分モンテカルロの性能評価を行った。 学習した基底状態は、多くの可観測物を正確に推定し、第1モットローブと第2モットローブの位相図に再現する。 本研究では,地上で学習した雑音の確率を除去する手法を提案することにより,提案手法により得られた結果の質を向上させる。
  論文  参考訳（メタデータ） (2020-04-27T02:40:45Z)
• Baryon acoustic oscillations reconstruction using convolutional neural networks [1.9262162668141078]
  深部畳み込みニューラルネットワーク(CNN)に基づく重要な宇宙情報を含むバリオン音響発振(BAO)信号の再構成手法を提案する。 一方の宇宙論で訓練されたネットワークは、他の宇宙論とは無関係に非線型性に失われる情報を復元し、BAOピークを再構築することができる。
  論文  参考訳（メタデータ） (2020-02-24T13:18:31Z)

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。