論文の概要: Interpretable machine learning models: a physics-based view

• arxiv url: http://arxiv.org/abs/2003.10025v1
• Date: Sun, 22 Mar 2020 23:17:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 06:00:07.857553
• Title: Interpretable machine learning models: a physics-based view
• Title（参考訳）: 解釈可能な機械学習モデル:物理に基づく視点
• Authors: Ion Matei, Johan de Kleer, Christoforos Somarakis, Rahul Rai and John S. Baras
• Abstract要約: ポートハミルトン形式(p-H)を用いて、物理的に解釈可能な過程を含む基本構成を記述する。 p-H構造からモデルを構築する方法と、モデルをトレーニングする方法を示します。
• 参考スコア（独自算出の注目度）: 3.7431113857875755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To understand changes in physical systems and facilitate decisions, explaining how model predictions are made is crucial. We use model-based interpretability, where models of physical systems are constructed by composing basic constructs that explain locally how energy is exchanged and transformed. We use the port Hamiltonian (p-H) formalism to describe the basic constructs that contain physically interpretable processes commonly found in the behavior of physical systems. We describe how we can build models out of the p-H constructs and how we can train them. In addition we show how we can impose physical properties such as dissipativity that ensure numerical stability of the training process. We give examples on how to build and train models for describing the behavior of two physical systems: the inverted pendulum and swarm dynamics.
• Abstract（参考訳）: 物理的なシステムの変化を理解し、意思決定を促進するためには、モデル予測の実施方法を説明することが不可欠である。 物理系のモデルは、エネルギーの交換や変換を局所的に説明する基本構造を構成することによって構築される。 ポートハミルトニアン(p-h)形式を使い、物理系の振る舞いによく見られる物理的解釈可能な過程を含む基本的な構成を記述する。 p-H構造からモデルを構築する方法と、モデルをトレーニングする方法について説明します。 さらに, トレーニングプロセスの数値安定性を確保するために, 分散性などの物理的特性を課す方法を示す。 逆振り子とswarm dynamicsという,2つの物理システムの動作を記述するモデルの構築とトレーニングの例を示す。

関連論文リスト

• ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
  ContPhyは、マシン物理常識を評価するための新しいベンチマークである。 私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。 また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
  論文  参考訳（メタデータ） (2024-02-09T01:09:21Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• Physically Consistent Neural ODEs for Learning Multi-Physics Systems [0.0]
  本稿では, 可逆ポート・ハミルトニアンシステム (IPHS) の枠組みを利用する。 データからパラメータを学習するために,PC-NODE(Physically Consistent NODE)を提案する。 提案手法の有効性を実世界の実測値から建物熱力学を学習し,その有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-11T11:20:35Z)
• Port-metriplectic neural networks: thermodynamics-informed machine learning of complex physical systems [0.09332987715848712]
  我々はポート・ハミルトン形式に基づく複雑な物理系の機械学習のための帰納バイアスを開発する。 構築されたネットワークは、複雑なシステムの物理を一部で学べることを示す。
  論文  参考訳（メタデータ） (2022-11-03T15:04:27Z)
• Dynamic Visual Reasoning by Learning Differentiable Physics Models from Video and Language [92.7638697243969]
  視覚概念を協調的に学習し,映像や言語から物体の物理モデルを推定する統合フレームワークを提案する。 これは視覚認識モジュール、概念学習モジュール、微分可能な物理エンジンの3つのコンポーネントをシームレスに統合することで実現される。
  論文  参考訳（メタデータ） (2021-10-28T17:59:13Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Augmenting Physical Models with Deep Networks for Complex Dynamics Forecasting [34.61959169976758]
  APHYNITYは、深層データ駆動モデルを持つ微分方程式によって記述された不完全な物理力学を増大させる原理的なアプローチである。 これは、動的を2つのコンポーネントに分解することで構成されます。物理コンポーネントは、事前の知識を持つダイナミクスを、データ駆動コンポーネントは、物理モデルのエラーを説明します。
  論文  参考訳（メタデータ） (2020-10-09T09:31:03Z)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)
• Cloth in the Wind: A Case Study of Physical Measurement through Simulation [50.31424339972478]
  実例を一度も見ずに風中の布の潜伏物性を測定することを提案する。 私たちのソリューションは、シミュレーションをコアとした反復的な洗練手順です。 この対応は、物理的に類似した例を近くの点にマッピングする埋め込み関数を用いて測定される。
  論文  参考訳（メタデータ） (2020-03-09T21:32:23Z)

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。