論文の概要: Application of Deep Learning in Generating Desired Design Options: Experiments Using Synthetic Training Dataset

• arxiv url: http://arxiv.org/abs/2001.05849v2
• Date: Mon, 7 Jun 2021 19:33:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-17 13:04:25.865821
• Title: Application of Deep Learning in Generating Desired Design Options: Experiments Using Synthetic Training Dataset
• Title（参考訳）: Desired Design Options生成におけるディープラーニングの適用:合成学習データセットを用いた実験
• Authors: Zohreh Shaghaghian, Wei Yan
• Abstract要約: 本研究では,Deep Learning (DL) アルゴリズムを用いて要求された設計オプションを生成する手法を適用した。 物体認識問題は, 異なる種類の合成2次元形状からなるトレーニングデータセットに基づいて, 未知のサンプル画像のラベルを最初に予測するために検討される。 次のステップでは、空間日光自律性(sDA)メトリクスに基づいて、所望の光/影のパフォーマンスのためのウィンドウ/壁パターンを生成するようにアルゴリズムを訓練する。
• 参考スコア（独自算出の注目度）: 5.564299196293697
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most design methods contain a forward framework, asking for primary specifications of a building to generate an output or assess its performance. However, architects urge for specific objectives though uncertain of the proper design parameters. Deep Learning (DL) algorithms provide an intelligent workflow in which the system can learn from sequential training experiments. This study applies a method using DL algorithms towards generating demanded design options. In this study, an object recognition problem is investigated to initially predict the label of unseen sample images based on training dataset consisting of different types of synthetic 2D shapes; later, a generative DL algorithm is applied to be trained and generate new shapes for given labels. In the next step, the algorithm is trained to generate a window/wall pattern for desired light/shadow performance based on the spatial daylight autonomy (sDA) metrics. The experiments show promising results both in predicting unseen sample shapes and generating new design options.
• Abstract（参考訳）: ほとんどの設計手法にはフォワードフレームワークが含まれており、ビルの主仕様にアウトプットの生成や性能評価を依頼する。 しかし、設計者は適切な設計パラメータが不確かであるにもかかわらず、特定の目的を要求する。 ディープラーニング(DL)アルゴリズムは、システムがシーケンシャルなトレーニング実験から学ぶことのできるインテリジェントなワークフローを提供する。 本研究では,dlアルゴリズムを用いた設計オプション生成手法を提案する。 本研究では,異なる種類の合成2d形状からなるトレーニングデータセットに基づいて,まず,被検出サンプル画像のラベルを予測し,その後,生成型dlアルゴリズムを適用し,与えられたラベルに対して新たな形状を生成する。 次のステップでは、spatial daylight autonomy(sda)メトリックに基づいて、所望の光/シャドウパフォーマンスのためのウィンドウ/壁パターンを生成するようにアルゴリズムを訓練する。 実験は、未発見のサンプル形状の予測と新しい設計オプションの生成の両方で有望な結果を示している。

関連論文リスト

• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• DoE2Vec: Deep-learning Based Features for Exploratory Landscape Analysis [0.0]
  本研究では,地形特性を最適化するための変分オートエンコーダ(VAE)に基づく手法であるDoE2Vecを提案する。 古典的な探索的景観解析(ELA)法とは異なり,本手法では特徴工学は必要としない。 検証のために、潜伏再構成の品質を検査し、異なる実験を用いて潜伏表現を解析する。
  論文  参考訳（メタデータ） (2023-03-31T09:38:44Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• Policy-Based Bayesian Experimental Design for Non-Differentiable Implicit Models [25.00242490764664]
  深層適応設計のための強化学習(Reinforcement Learning for Deep Adaptive Design, RL-DAD)は、非微分不可能な暗黙モデルに対するシミュレーションに基づく最適実験設計手法である。 RL-DADは、事前履歴をオフラインで実験するためにマッピングし、オンライン実行中に素早くデプロイできる。
  論文  参考訳（メタデータ） (2022-03-08T18:47:01Z)
• Semi-Supervised Adversarial Recognition of Refined Window Structures for Inverse Procedural Fa\c{c}ade Modeling [17.62526990262815]
  本稿では,逆手続きモデルに組み込んだ半教師付き対角認識戦略を提案する。 既存の3Dモデリングソフトウェアの内部に、単純なプロシージャエンジンが構築され、きめ細かい窓のジオメトリが生成される。 公開されているファサード画像データセットを用いた実験により、提案したトレーニング戦略により、分類精度が約10%向上できることが判明した。
  論文  参考訳（メタデータ） (2022-01-22T06:34:48Z)
• Early-Phase Performance-Driven Design using Generative Models [0.0]
  本研究では,3次元モデリング環境において直接対話を行うことのできる,性能駆動型幾何生成手法を提案する。 この方法は機械学習技術を使って生成モデルをオフラインでトレーニングする。 生成モデルの潜在空間をナビゲートすることにより、所望の特性を持つ測地を迅速に生成することができる。
  論文  参考訳（メタデータ） (2021-07-19T01:25:11Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
  我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。 複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。 探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
  論文  参考訳（メタデータ） (2020-01-08T17:37:01Z)

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。