論文の概要: Tensor Network Kernel Machines: A JAX Framework for Machine Learning and Nonlinear System Identification

• arxiv url: http://arxiv.org/abs/2608.07043v1
• Date: Fri, 07 Aug 2026 09:52:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.457233
• Title: Tensor Network Kernel Machines: A JAX Framework for Machine Learning and Nonlinear System Identification
• Title（参考訳）: Tensor Network Kernel Machines: 機械学習と非線形システム同定のためのJAXフレームワーク
• Abstract要約: tnkm"は、ネットワークカーネルマシンの構築とトレーニングのためのオープンソースのPythonライブラリである。 我々は,「tnkm」がコンパクトなパラメータ化と効率的なトレーニングを維持しながら,競争予測精度を達成することを示す。
• 参考スコア（独自算出の注目度）: 6.101839518775971
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing nonlinear models that are both expressive and computationally efficient remains a challenge in machine learning and nonlinear system identification. Tensor network kernel machines (TNKM) address this challenge by combining nonlinear feature representations with compact low-rank tensor-network parameterizations. However, practical and extensible software frameworks for developing TNKM models remain limited. In this work, we introduce "tnkm", an open-source Python library for constructing and training TNKM models using JAX. The library provides a unified interface for combining different feature maps, tensor-network architectures, and optimization strategies, including alternating least squares and gradient-based methods. We demonstrate the capabilities of "tnkm" on nonlinear benchmark problems, showing that the implemented models achieve competitive prediction accuracy while retaining compact parameterizations and efficient training. The proposed framework facilitates reproducible development and application of tensor-network-based learning methods.
• Abstract（参考訳）: 表現的かつ計算的効率のよい非線形モデルを開発することは、機械学習と非線形システム同定における課題である。 テンソルネットワークカーネルマシン(TNKM)は、非線形特徴表現とコンパクトな低ランクテンソルネットワークパラメータ化を組み合わせることでこの問題に対処する。 しかし、TNKMモデルを開発するための実用的で拡張可能なソフトウェアフレームワークは依然として限られている。 本稿では,JAX を用いた TNKM モデルの構築とトレーニングを行うオープンソース Python ライブラリである "tnkm" を紹介する。 このライブラリは、異なる特徴マップ、テンソルネットワークアーキテクチャ、最小二乗法と勾配法を交互に組み合わせる最適化戦略を組み合わせた統一インターフェースを提供する。 非線形ベンチマーク問題における「tnkm」の能力を実証し、コンパクトなパラメータ化と効率的なトレーニングを保ちながら、実装されたモデルが競合予測精度を達成することを示した。 提案フレームワークは,テンソルネットワークに基づく学習手法の再現可能な開発と適用を容易にする。

関連論文リスト

• Implementation of tangent linear and adjoint models for neural networks based on a compiler library tool [14.856725081014424]
  本稿では,人工知能コンポーネントと数値モデルの効率的な結合のためのコンパイルライブラリTorchNWPを提案する。 言語間の互換性の低下、結合の柔軟性の欠如、データ転送効率の低下といった問題に対処することを目的としている。 CMA-GFSやMCVのような数値天気予報モデルに効率的に組み込むことができる。
  論文  参考訳（メタデータ） (2026-03-17T13:11:22Z)
• Elastic ViTs from Pretrained Models without Retraining [74.5386166956142]
  ビジョンファウンデーションモデルは優れたパフォーマンスを達成するが、事前決定されたサイズの限られたセットでしか利用できない。 本稿では, プルーニングされた視覚変換器のためのシングルショットネットワーク近似であるSnapViTを紹介する。 提案手法は,進化的アルゴリズムを用いて近似した勾配情報とクロスネットワーク構造相関を効率的に結合する。
  論文  参考訳（メタデータ） (2025-10-20T16:15:03Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• A projection-based framework for gradient-free and parallel learning [50.96641619247761]
  私たちはこのパラダイムを実現するJAXベースのソフトウェアフレームワークであるPJAXを紹介します。 PJAXは基本演算に対する射影演算子を構成し、実現可能性問題に対する解演算子を自動的に導出する。 各種アーキテクチャ(MLP、CNN、RNN)を標準ベンチマークでPJAXを用いてトレーニングし、その汎用性を実証する。
  論文  参考訳（メタデータ） (2025-06-06T08:44:56Z)
• Manifold meta-learning for reduced-complexity neural system identification [1.0276024900942875]
  低次元多様体を発見するメタラーニングフレームワークを提案する。 この多様体は、関連する力学系のクラスによって生成される入力出力シーケンスのメタデータセットから学習される。 両レベルメタラーニングアプローチとは異なり,本手法では,学習多様体に直接データセットをマッピングする補助的ニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2025-04-16T06:49:56Z)
• Superpose Task-specific Features for Model Merging [33.761816717454025]
  本稿では,ニューラルネットワーク表現の基本的なメカニズムを活用することによって,モデルマージの新たな視点を導入する。 本稿では,個々のモデルからタスク固有の特徴を重畳したモデルに重ね合わせる手法を提案する。 提案手法は,ディープネットワークにおける特徴の活性化と抽出に不可欠な線形変換行列を特に対象とする。
  論文  参考訳（メタデータ） (2025-02-15T07:05:55Z)
• Data Summarization via Bilevel Optimization [48.89977988203108]
  シンプルだが強力なアプローチは、小さなサブセットのデータを操作することだ。 本研究では,コアセット選択を基数制約付き双レベル最適化問題として定式化する汎用コアセットフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-26T09:08:38Z)
• Neural Network Compression Framework for fast model inference [59.65531492759006]
  我々は、ニューラルネットワーク圧縮フレームワーク(NNCF)と呼ばれる、微調整によるニューラルネットワーク圧縮のための新しいフレームワークを提案する。 様々なネットワーク圧縮手法の最近の進歩を活用し、空間性、量子化、双項化などのいくつかの実装を行っている。 フレームワークは、トレーニングサンプル内に提供され、あるいは既存のトレーニングコードにシームレスに統合可能なスタンドアロンパッケージとして使用することができる。
  論文  参考訳（メタデータ） (2020-02-20T11:24:01Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。