Data Structures and Algorithms,Artificial Intelligence,Machine Learning,Probability,ساختار داده ها و الگوریتم ها , هوش مصنوعی , یادگیری ماشین , احتمال ,
توضیحات
Submitted 18 August, 2024; originally announced August 2024.
توضیحات به فارسی
ارائه شده در 18 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
We show how to use parallelization to speed up sampling from an arbitrary distribution $μ$ on a product space $[q]^n$, given oracle access to counting queries: $\mathbb{P}_{X\sim μ}[X_S=σ_S]$ for any $S\subseteq [n]$ and $σ_S \in [q]^S$. Our algorithm takes $O({n^{2/3}\cdot \operatorname{polylog}(n,q)})$ parallel time, to the best of our knowledge, the first sublinear in $n$ runtime for arbitrary distributions. Our results have implications for sampling in autoregressive models. Our algorithm directly works with an equivalent oracle that answers conditional marginal queries $\mathbb{P}_{X\sim μ}[X_i=σ_i\;\vert\; X_S=σ_S]$, whose role is played by a trained neural network in autoregressive models. This suggests a roughly $n^{1/3}$-factor speedup is possible for sampling in any-order autoregressive models. We complement our positive result by showing a lower bound of $\widetildeΩ(n^{1/3})$ for the runtime of any parallel sampling algorithm making at most $\operatorname{poly}(n)$ queries to the counting oracle, even for $q=2$.
چکیده به فارسی (ترجمه ماشینی)
ما نشان می دهیم که چگونه می توان از موازی سازی برای سرعت بخشیدن به نمونه گیری از توزیع دلخواه $ $ $ در فضای محصول $ [q]^n $ استفاده کرد ، با توجه به دسترسی اوراکل به شمارش نمایش داده شد: $ \ mathbb {p} _ {x \ سیم μ} [[x_s = σ_s] $ برای هر $ s \ subseteq [n] $ و $ σ_s \ in [q]^s $.الگوریتم ما $ o ({n^{2/3} \ cdot \ operatorname {polylog} (n ، q)}) $ زمان موازی ، به بهترین دانش ما ، اولین زیرنویس در زمان اجرا $ n $ برای توزیع های دلخواه می گیرد.بشرنتایج ما پیامدهایی برای نمونه برداری در مدل های خودکار دارد.الگوریتم ما به طور مستقیم با یک اوراکل معادل کار می کند که به سؤالات حاشیه ای مشروط پاسخ می دهد $ \ Mathbb {p} _ {x \ sim μ} [x_i = σ_i \ ؛ \ vert \ ؛x_s = σ_s] $ ، که نقش آن توسط یک شبکه عصبی آموزش دیده در مدل های خودگردان بازی می شود.این نشان می دهد که تقریباً $ n^{1/3} $-سرعت فاکتور برای نمونه گیری در مدل های خودجوش هر مرتبه امکان پذیر است.ما با نشان دادن محدودیت پایین تر از $ \ widetildeω (n^{1/3}) $ برای زمان اجرا هر الگوریتم نمونه گیری موازی که حداکثر $ \ operatorname {poly} (n) $ $ را به شمارش اوراکل شمارش می کنیم ، نتیجه مثبت خود را تکمیل می کنیم.، حتی برای $ q = 2 $.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
