論文の概要: Learning Similarity Metrics for Numerical Simulations
- arxiv url: http://arxiv.org/abs/2002.07863v2
- Date: Tue, 23 Jun 2020 18:14:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 19:50:54.435273
- Title: Learning Similarity Metrics for Numerical Simulations
- Title(参考訳): 数値シミュレーションのための学習類似度メトリクス
- Authors: Georg Kohl, Kiwon Um, Nils Thuerey
- Abstract要約: 本稿では,様々な数値シミュレーションソースから得られるデータを比較するため,安定かつ一般化された指標(LSiM)をニューラルネットワークで計算する手法を提案する。
提案手法は,計量の数学的性質を動機としたシームズネットワークアーキテクチャを用いている。
- 参考スコア(独自算出の注目度): 29.39625644221578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a neural network-based approach that computes a stable and
generalizing metric (LSiM) to compare data from a variety of numerical
simulation sources. We focus on scalar time-dependent 2D data that commonly
arises from motion and transport-based partial differential equations (PDEs).
Our method employs a Siamese network architecture that is motivated by the
mathematical properties of a metric. We leverage a controllable data generation
setup with PDE solvers to create increasingly different outputs from a
reference simulation in a controlled environment. A central component of our
learned metric is a specialized loss function that introduces knowledge about
the correlation between single data samples into the training process. To
demonstrate that the proposed approach outperforms existing metrics for vector
spaces and other learned, image-based metrics, we evaluate the different
methods on a large range of test data. Additionally, we analyze generalization
benefits of an adjustable training data difficulty and demonstrate the
robustness of LSiM via an evaluation on three real-world data sets.
- Abstract(参考訳): 本稿では,様々な数値シミュレーションソースから得られるデータを比較するため,安定かつ一般化された指標(LSiM)をニューラルネットワークで計算する手法を提案する。
我々は,運動と移動に基づく偏微分方程式(pdes)から生じるスカラー時間依存2次元データに着目した。
提案手法は,計量の数学的性質を動機としたシームズネットワークアーキテクチャを用いている。
我々は,pdeソルバを用いた制御可能なデータ生成セットアップを利用して,制御環境における参照シミュレーションからますます異なる出力を生成する。
学習メトリクスの中心的な構成要素は、トレーニングプロセスに単一のデータサンプル間の相関に関する知識を導入する特殊な損失関数である。
提案手法は,ベクトル空間や他の学習された画像ベースメトリクスの既存の指標よりも優れていることを示すため,幅広いテストデータ上で異なる手法を評価する。
さらに,調整可能なトレーニングデータ難易度の一般化効果を分析し,実世界の3つのデータセットの評価を通してlsimのロバスト性を示す。
関連論文リスト
- You are out of context! [0.0]
新しいデータは、モデルによって学習された幾何学的関係を伸ばしたり、圧縮したり、ねじったりする力として振る舞うことができる。
本稿では,ベクトル空間表現における「変形」の概念に基づく機械学習モデルのための新しいドリフト検出手法を提案する。
論文 参考訳(メタデータ) (2024-11-04T10:17:43Z) - A Universal Metric of Dataset Similarity for Cross-silo Federated Learning [0.0]
フェデレートラーニングは、データ共有なしにモデルトレーニングを容易にするために、医療などの分野でますます使われている。
本稿では,データセットの類似性を評価するための新しい指標を提案する。
本稿では,我々の測定値がモデル性能と堅牢かつ解釈可能な関係を示し,プライバシ保護方式で計算可能であることを示す。
論文 参考訳(メタデータ) (2024-04-29T15:08:24Z) - Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
脳波信号物理を利用した教師なし手法を提案する。
脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。
提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
論文 参考訳(メタデータ) (2024-03-07T16:17:33Z) - Self-Supervised Learning with Lie Symmetries for Partial Differential
Equations [25.584036829191902]
我々は、自己教師付き学習(SSL)のための共同埋め込み手法を実装することにより、PDEの汎用表現を学習する。
我々の表現は、PDEの係数の回帰などの不変タスクに対するベースラインアプローチよりも優れており、また、ニューラルソルバのタイムステッピング性能も向上している。
提案手法がPDEの汎用基盤モデルの開発に有効であることを期待する。
論文 参考訳(メタデータ) (2023-07-11T16:52:22Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳(メタデータ) (2022-08-22T14:04:56Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳(メタデータ) (2022-04-13T15:54:35Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Learning Similarity Metrics for Volumetric Simulations with Multiscale
CNNs [25.253880881581956]
本研究では,エントロピーに基づく類似性モデルを提案する。
我々は数値PDEソルバと既存のシミュレーションデータリポジトリからフィールドのコレクションを作成する。
ボリューム類似度メトリック(VolSiM)を演算するマルチスケールCNNアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-02-08T19:19:08Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳(メタデータ) (2021-08-09T17:39:09Z) - Estimating informativeness of samples with Smooth Unique Information [108.25192785062367]
サンプルが最終的な重みを知らせる量と、重みによって計算される関数を知らせる量を測定します。
線形化ネットワークを用いてこれらの量の効率的な近似を行う。
本稿では,データセットの要約など,いくつかの問題に適用する。
論文 参考訳(メタデータ) (2021-01-17T10:29:29Z)
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。