論文の概要: Disentangling Physical Dynamics from Unknown Factors for Unsupervised Video Prediction

• arxiv url: http://arxiv.org/abs/2003.01460v2
• Date: Mon, 16 Mar 2020 20:51:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 22:51:01.913770
• Title: Disentangling Physical Dynamics from Unknown Factors for Unsupervised Video Prediction
• Title（参考訳）: 教師なし映像予測のための未知因子からの物理力学の分離
• Authors: Vincent Le Guen, Nicolas Thome
• Abstract要約: 本稿では,2分岐の深層アーキテクチャであるPhyDNetを紹介し,PDEダイナミクスを未知の相補的情報から明確に切り離す。 第2のコントリビューションは、潜在空間におけるPDE制約付き予測を行うための新しいリカレント物理セル(PhyCell)を提案することである。
• 参考スコア（独自算出の注目度）: 35.56938057804765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Leveraging physical knowledge described by partial differential equations (PDEs) is an appealing way to improve unsupervised video prediction methods. Since physics is too restrictive for describing the full visual content of generic videos, we introduce PhyDNet, a two-branch deep architecture, which explicitly disentangles PDE dynamics from unknown complementary information. A second contribution is to propose a new recurrent physical cell (PhyCell), inspired from data assimilation techniques, for performing PDE-constrained prediction in latent space. Extensive experiments conducted on four various datasets show the ability of PhyDNet to outperform state-of-the-art methods. Ablation studies also highlight the important gain brought out by both disentanglement and PDE-constrained prediction. Finally, we show that PhyDNet presents interesting features for dealing with missing data and long-term forecasting.
• Abstract（参考訳）: 偏微分方程式(PDE)によって記述される物理知識を活用することは、教師なしビデオ予測法を改善するための魅力的な方法である。 物理は、ジェネリックビデオの完全な視覚的内容を記述するには厳密すぎるため、未知の補完情報からPDEダイナミクスを明示的に切り離す2ブランチのディープアーキテクチャであるPhyDNetを導入する。 2つめの貢献は、潜時空間でpdeに拘束された予測を行うために、データ同化技術にインスパイアされた新しいリカレントな物理細胞(phycell)を提案することである。 4つのデータセットで広範な実験を行った結果、phydnetは最先端のメソッドよりも優れていた。 アブレーション研究は、歪曲とPDE制約予測の両方によって引き起こされる重要な利益も強調している。 最後に、PhyDNetは、欠落したデータと長期予測を扱う興味深い機能を示す。

関連論文リスト

• DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
  本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。 経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
  ビデオからの自動パラメータ推定の最先端は、大規模データセット上で教師付きディープネットワークをトレーニングすることによって解決される。 単一ビデオから, 既知, 連続制御方程式の物理パラメータを推定する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T09:44:54Z)
• PhyMPGN: Physics-encoded Message Passing Graph Network for spatiotemporal PDE systems [31.006807854698376]
  我々は物理符号化されたメッセージパッシンググラフネットワーク(PhyMPGN)という新しいグラフ学習手法を提案する。 我々は,GNNを数値積分器に組み込んで,与えられたPDEシステムに対する時間的時間的ダイナミクスの時間的行進を近似する。 PhyMPGNは、粗い非構造メッシュ上での様々なタイプの時間的ダイナミクスを正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-02T08:54:18Z)
• Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
  定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。 定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
  論文  参考訳（メタデータ） (2023-11-30T22:34:57Z)
• PDE-Refiner: Achieving Accurate Long Rollouts with Neural PDE Solvers [40.097474800631]
  時間依存偏微分方程式(PDE)は、科学や工学においてユビキタスである。 ディープニューラルネットワークに基づくサロゲートへの関心が高まっている。
  論文  参考訳（メタデータ） (2023-08-10T17:53:05Z)
• Deep learning for spatio-temporal forecasting -- application to solar energy [12.5097469793837]
  この論文は、深い学習を伴う原則付き時間予測の主題に取り組む。 エレクトロニティ・ド・フランス(EDF)のモチベーション応用は、魚眼画像による短期的な太陽エネルギー予測である。
  論文  参考訳（メタデータ） (2022-05-07T06:42:48Z)
• 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 Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• Discovering Nonlinear PDEs from Scarce Data with Physics-encoded Learning [11.641708412097659]
  ノイズや少ないデータからPDEを発見するための物理符号化離散学習フレームワークを提案する。 3つの非線形PDEシステムに対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-01-28T07:49:48Z)
• A Deep Learning Approach for Predicting Spatiotemporal Dynamics From Sparsely Observed Data [10.217447098102165]
  未知偏微分方程式(PDE)によって駆動される物理過程の学習予測モデルの問題を考える。 本稿では,基礎となるダイナミクスを学習し,分散データサイトを用いてその進化を予測するディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-30T16:38:00Z)

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。