会员服务
不变 · 数值分析 ·
2021 年 1 月 9 日
Differential Invariants
翻译：差异内变量
Uwe Naumann
Uwe Naumann

Validation is a major challenge in differentiable programming. The state of the art is based on algorithmic differentiation. Consistency of first-order tangent and adjoint programs is defined by a well-known first-order differential invariant. This paper generalizes the approach through derivation of corresponding differential invariants of arbitrary order.


翻译：在不同的编程中,验证是一大挑战。 最新技术以算法区分为基础。 一阶相切和互连程序的一致性由众所周知的一阶差异变量来界定。 本文通过任意顺序的对应差异的推导来概括这一方法。
0
下载
关闭预览

相关内容

【经典书】应用随机微分方程，324页pdf，Applied Stochastic Differential Equations
【经典书】应用随机微分方程，324页pdf，Applied Stochastic Differential Equations
专知会员服务
53+阅读 · 2020年11月21日
【干货书】机器学习速查手册，135页pdf
【干货书】机器学习速查手册，135页pdf
专知会员服务
124+阅读 · 2020年11月20日
【ICML2020】噪声在随机梯度下降中的泛化效益，On the Generalization Benefit of Noise in Stochastic Gradient Descent
【ICML2020】噪声在随机梯度下降中的泛化效益，On the Generalization Benefit of Noise in Stochastic Gradient Descent
专知会员服务
18+阅读 · 2020年6月29日
【清华大学】自动微分蒙特卡洛，理论与应用，Automatic Differentiable Monte Carlo: Theory and Application (附pdf）
专知会员服务
26+阅读 · 2019年11月23日
《应用随机微分方程》(Applied Stochastic Differential Equations)324页pdf新书分享
《应用随机微分方程》(Applied Stochastic Differential Equations)324页pdf新书分享
专知会员服务
40+阅读 · 2019年10月28日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
47+阅读 · 2019年10月17日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
33+阅读 · 2019年10月17日
Stabilizing Transformers for Reinforcement Learning
Stabilizing Transformers for Reinforcement Learning
专知会员服务
57+阅读 · 2019年10月17日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【新书】Python编程基础，669页pdf
【新书】Python编程基础，669页pdf
专知会员服务
192+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
24+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
学界 | NIPS2018最佳论文解读：Neural Ordinary Differential Equations
学界 | NIPS2018最佳论文解读：Neural Ordinary Differential Equations
AI科技评论
4+阅读 · 2019年1月5日
Disentangled的假设的探讨
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
已删除
已删除
将门创投
5+阅读 · 2018年3月21日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Multilinear POD-DEIM model reduction for 2D and 3D nonlinear systems of differential equations
Arxiv
0+阅读 · 2021年3月7日
The gradient descent method for the convexification to solve boundary value problems of quasi-linear PDEs and a coefficient inverse problem
Arxiv
0+阅读 · 2021年3月6日
On the Convergence and Optimality of Policy Gradient for Markov Coherent Risk
On the Convergence and Optimality of Policy Gradient for Markov Coherent Risk
Arxiv
0+阅读 · 2021年3月5日
MORA -- Automatic Generation of Moment-Based Invariants
Arxiv
0+阅读 · 2021年3月5日
Algebra-based Synthesis of Loops and their Invariants (Invited Paper)
Arxiv
0+阅读 · 2021年3月5日
An overview on deep learning-based approximation methods for partial differential equations
Arxiv
0+阅读 · 2021年3月5日
Inverse Reinforcement Learning with Explicit Policy Estimates
Arxiv
0+阅读 · 2021年3月4日
Physics-informed Neural Networks for Elliptic Partial Differential Equations on 3D Manifolds
Arxiv
0+阅读 · 2021年3月4日
The Causal Learning of Retail Delinquency
Arxiv
14+阅读 · 2020年12月17日
Neural Ordinary Differential Equations
Arxiv
6+阅读 · 2018年10月3日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
不变
数值分析
相关VIP内容
【经典书】应用随机微分方程，324页pdf，Applied Stochastic Differential Equations
【经典书】应用随机微分方程，324页pdf，Applied Stochastic Differential Equations
专知会员服务
53+阅读 · 2020年11月21日
【干货书】机器学习速查手册，135页pdf
【干货书】机器学习速查手册，135页pdf
专知会员服务
124+阅读 · 2020年11月20日
【ICML2020】噪声在随机梯度下降中的泛化效益，On the Generalization Benefit of Noise in Stochastic Gradient Descent
【ICML2020】噪声在随机梯度下降中的泛化效益，On the Generalization Benefit of Noise in Stochastic Gradient Descent
专知会员服务
18+阅读 · 2020年6月29日
【清华大学】自动微分蒙特卡洛，理论与应用，Automatic Differentiable Monte Carlo: Theory and Application (附pdf）
专知会员服务
26+阅读 · 2019年11月23日
《应用随机微分方程》(Applied Stochastic Differential Equations)324页pdf新书分享
《应用随机微分方程》(Applied Stochastic Differential Equations)324页pdf新书分享
专知会员服务
40+阅读 · 2019年10月28日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
47+阅读 · 2019年10月17日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
33+阅读 · 2019年10月17日
Stabilizing Transformers for Reinforcement Learning
Stabilizing Transformers for Reinforcement Learning
专知会员服务
57+阅读 · 2019年10月17日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【新书】Python编程基础，669页pdf
【新书】Python编程基础，669页pdf
专知会员服务
192+阅读 · 2019年10月10日
热门VIP内容
相关资讯
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
24+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
学界 | NIPS2018最佳论文解读：Neural Ordinary Differential Equations
学界 | NIPS2018最佳论文解读：Neural Ordinary Differential Equations
AI科技评论
4+阅读 · 2019年1月5日
Disentangled的假设的探讨
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
已删除
已删除
将门创投
5+阅读 · 2018年3月21日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
Multilinear POD-DEIM model reduction for 2D and 3D nonlinear systems of differential equations
Arxiv
0+阅读 · 2021年3月7日
The gradient descent method for the convexification to solve boundary value problems of quasi-linear PDEs and a coefficient inverse problem
Arxiv
0+阅读 · 2021年3月6日
On the Convergence and Optimality of Policy Gradient for Markov Coherent Risk
On the Convergence and Optimality of Policy Gradient for Markov Coherent Risk
Arxiv
0+阅读 · 2021年3月5日
MORA -- Automatic Generation of Moment-Based Invariants
Arxiv
0+阅读 · 2021年3月5日
Algebra-based Synthesis of Loops and their Invariants (Invited Paper)
Arxiv
0+阅读 · 2021年3月5日
An overview on deep learning-based approximation methods for partial differential equations
Arxiv
0+阅读 · 2021年3月5日
Inverse Reinforcement Learning with Explicit Policy Estimates
Arxiv
0+阅读 · 2021年3月4日
Physics-informed Neural Networks for Elliptic Partial Differential Equations on 3D Manifolds
Arxiv
0+阅读 · 2021年3月4日
The Causal Learning of Retail Delinquency
Arxiv
14+阅读 · 2020年12月17日
Neural Ordinary Differential Equations
Arxiv
6+阅读 · 2018年10月3日
Top
微信扫码咨询专知VIP会员
Top