实体
renormalization group
renormalization group
PulseAugur coverage of renormalization group — every cluster mentioning renormalization group across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的RINO方法利用重整化群进行物理学中的自监督学习
研究人员推出了一种新颖的高能物理自监督学习方法RINO，该方法利用了喷流形成的尺度间结构。与先前的方法不同，RINO利用重整化群原理和DINO风格的自蒸馏，创建了用于在无标签数据上训练的物理基础视图。这种方法显著提高了模型向真实世界对撞机数据的可迁移性，其性能优于现有的自监督基线，甚至在仅使用少量标签数据的情况下也能媲美完全监督的训练。
-
新的RGNet架构解决了故障诊断中的类别不平衡问题
研究人员开发了RGNet，这是一种受重整化群（RG）概念启发的、新颖的神经网络架构，旨在解决机器学习应用中的类别不平衡和多维噪声等挑战。该模型通过顺序压缩特征空间维度并在分类前连接不同尺度的特征，来实现分层粗粒化。RGNet的有效性通过t-SNE可视化的可解释低维表示得到证明，揭示了离散的曲线结构，证实了其粗粒化能力。RGNet应用于不平衡的AI4I数据集，被证明是用于故障预测任务的多功能、可解释且具有竞争力的解决方案。
-
MLP网络展现出量化的重整化群结构
研究人员已定量证明了深度神经网络前向传播与重整化群（RG）流之间的类比。他们对MLP残差网络的研究表明，残差流的有效秩随深度增加而减小，这表明无关数据被逐步整合。这种秩崩溃是选择性的，取决于输入分布的相关长度，并且网络仅保留相关的自由度。研究结果表明，MLP实现了一个由输入光谱结构决定的选择性粗粒化过程，网络的大部分运行接近一个不动点。