格点场论中受重整化群启发的机器学习
高能物理 - 格点
2018-04-18 v1 统计力学
摘要
机器学习一直是处理大型数据集的多个研究领域中快速发展的研究方向。我们报告了在机器学习背景下使用重整化群（RG）思想的近期尝试。我们考察了为识别 MNIST 数据数字而设计的感知机模型的粗粒化过程。我们讨论了二维 Ising 模型蠕虫构型相变过程中主成分分析（PCA）与 RG 流之间的对应关系。关于主成分 PCA 特征值对数发散的初步结果曾在会议上报告，并在之后得到了改进。更一般地，我们讨论了 PCA 与蒙特卡罗模拟中可观测量的关系，以及基于受 RG 启发的分层假设减少监督学习中学习参数数量的可能性。
引用
@article{arxiv.1710.02079,
title = {RG inspired Machine Learning for lattice field theory},
author = {S. Foreman and J. Giedt and Y. Meurice and J. Unmuth-Yockey},
journal= {arXiv preprint arXiv:1710.02079},
year = {2018}
}
备注
Talk given by Yannick Meurice at the conference Lattice 2017, Granada, Spain