論文の概要: Riordan Arrays as Structured Operators for Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2611.15954v1
- Date: Wed, 11 Nov 2026 19:50:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.26501
- Title: Riordan Arrays as Structured Operators for Artificial Intelligence
- Title(参考訳): 人工知能のための構造化演算子としてのリオルダンアレイ
- Abstract要約: リオルダンアレイは伝統的に、生成-関数変換を符号化する無限の下三角行列として研究されてきた。
本稿では、人工知能とデータ分析における構造化演算子として、リオルダンアレイを用いるという補完的な方向性を提案する。
- 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: Riordan arrays have traditionally been studied as infinite lower-triangular matrices that encode generating-function transformations and combinatorial relationships. This note proposes a complementary direction: using Riordan arrays as structured operators in artificial intelligence and data analysis. For a data sequence with generating function $A(z)$, a Riordan array $(g(z),f(z))$ produces the transformation \[ A(z)\longmapsto g(z)A(f(z)). \] This yields a parameterized family of causal linear operators that combine convolution, substitution, and multiscale mixing. The resulting structure may support parameter-efficient neural-network layers, variable-length sequence models, interpretable recurrent systems, invertible architectures, and models for hierarchical or recursively generated data. We explain what the infinite-dimensional viewpoint does and does not provide, outline several possible architectures, identify theoretical and numerical challenges, and propose an initial experimental program. The aim is not to claim that Riordan arrays are appropriate for all data, but to identify settings in which their algebraic structure supplies a useful inductive bias.
- Abstract(参考訳): リオルダンアレイは伝統的に、生成関数変換と組合せ関係を符号化する無限の下三角行列として研究されてきた。
本稿では、人工知能とデータ分析における構造化演算子として、リオルダンアレイを用いるという補完的な方向性を提案する。
生成関数 $A(z)$ を持つデータ列に対して、リオルダン配列 $(g(z),f(z))$ は変換 \[A(z)\longmapsto g(z)A(f(z)) を生成する。
これは、畳み込み、置換、およびマルチスケール混合を組み合わせた因果線型作用素のパラメータ化された族をもたらす。
結果として得られる構造は、パラメータ効率のよいニューラルネットワーク層、可変長シーケンスモデル、解釈可能なリカレントシステム、非可逆アーキテクチャ、階層的または再帰的に生成されたデータのためのモデルをサポートすることができる。
無限次元の視点が何をするのか、提供しないのかを説明し、いくつかの可能なアーキテクチャを概説し、理論的および数値的な課題を特定し、初期実験プログラムを提案する。
目的は、リオルダン配列がすべてのデータに適切であると主張するのではなく、代数構造が有用な帰納バイアスを与えるような設定を特定することである。
関連論文リスト
- Universality of Photonic Interlacing Architectures for Learning Discrete Linear Unitaries [0.0]
最近の研究は、離散線型ユニタリ群 $U(N)$ が、有限列の対角位相演算とインターレースして表現できることを示唆している。
我々は、$U(N)$の要素を格子ハミルトンの1ドルプロパゲータと交互に$N$-パラメータ位相の列に分解できることを示した。
このアーキテクチャは、基本光学成分を用いて実装することができ、任意のユニタリ行列の再構成に成功することができる。
論文 参考訳(メタデータ) (2025-06-10T05:18:47Z) - Exact Sequence Interpolation with Transformers [0.0]
変換器は, 有限入力列のデータセットを$mathbbRd$, $dgeq 2$で正確に補間できることを示す。
具体的には、$mathbbRd$の任意の長さの$N$シーケンスと$m1, dots, mN in MathcalN$の出力シーケンスを与えられた場合、$mathcalO(sum_j=1N mj)$ブロックと$で変換器を構築する。
論文 参考訳(メタデータ) (2025-02-04T12:31:00Z) - Tractable Bounding of Counterfactual Queries by Knowledge Compilation [51.47174989680976]
本稿では, パール構造因果モデルにおいて, 因果関係などの部分的特定可能なクエリのバウンダリングの問題について議論する。
最近提案された反復EMスキームは初期化パラメータをサンプリングしてそれらの境界を内部近似する。
シンボルパラメータを実際の値に置き換えた回路構造を,単一のシンボル知識コンパイルによって得られることを示す。
論文 参考訳(メタデータ) (2023-10-05T07:10:40Z) - Mutual Exclusivity Training and Primitive Augmentation to Induce
Compositionality [84.94877848357896]
最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。
本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。
広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
論文 参考訳(メタデータ) (2022-11-28T17:36:41Z) - A Recursively Recurrent Neural Network (R2N2) Architecture for Learning
Iterative Algorithms [64.3064050603721]
本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。
本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
論文 参考訳(メタデータ) (2022-11-22T16:30:33Z) - Abelian Neural Networks [48.52497085313911]
まず、アベリア群演算のためのニューラルネットワークアーキテクチャを構築し、普遍近似特性を導出する。
連想対称の特徴づけを用いて、アベリア半群演算に拡張する。
固定単語埋め込み上でモデルをトレーニングし、元の word2vec よりも優れた性能を示す。
論文 参考訳(メタデータ) (2021-02-24T11:52:21Z) - Supervised Quantile Normalization for Low-rank Matrix Approximation [50.445371939523305]
我々は、$X$ の値と $UV$ の値を行ワイズで操作できる量子正規化演算子のパラメータを学習し、$X$ の低ランク表現の質を改善する。
本稿では,これらの手法が合成およびゲノムデータセットに適用可能であることを実証する。
論文 参考訳(メタデータ) (2020-02-08T21:06:02Z)
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。