論文の概要: Detecting Symmetries with Neural Networks
- arxiv url: http://arxiv.org/abs/2003.13679v1
- Date: Mon, 30 Mar 2020 17:58:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 08:47:09.580273
- Title: Detecting Symmetries with Neural Networks
- Title(参考訳): ニューラルネットワークによる対称性の検出
- Authors: Sven Krippendorf, Marc Syvaeri
- Abstract要約: ニューラルネットワークの埋め込み層における構造を広範囲に活用する。
我々は、対称性が存在するかどうかを特定し、入力中の対称性の軌道を特定する。
この例では、グラフの観点で新しいデータ表現を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying symmetries in data sets is generally difficult, but knowledge
about them is crucial for efficient data handling. Here we present a method how
neural networks can be used to identify symmetries. We make extensive use of
the structure in the embedding layer of the neural network which allows us to
identify whether a symmetry is present and to identify orbits of the symmetry
in the input. To determine which continuous or discrete symmetry group is
present we analyse the invariant orbits in the input. We present examples based
on rotation groups $SO(n)$ and the unitary group $SU(2).$ Further we find that
this method is useful for the classification of complete intersection
Calabi-Yau manifolds where it is crucial to identify discrete symmetries on the
input space. For this example we present a novel data representation in terms
of graphs.
- Abstract(参考訳): データセットにおける対称性の特定は一般的に難しいが、それらの知識は効率的なデータ処理に不可欠である。
本稿では,ニューラルネットワークを用いて対称性を同定する方法を提案する。
ニューラルネットワークの埋め込み層における構造を広範囲に利用することにより、対称性が存在するかどうかを識別し、入力中の対称性の軌道を特定することができる。
連続あるいは離散対称性群が存在するかを決定するために、入力中の不変軌道を解析する。
回転群 $so(n)$ とユニタリ群 $su(2) に基づく例を示す。
さらに、この方法は入力空間上の離散対称性を識別することが重要である完全交叉カラビ・ヤウ多様体の分類に有用である。
この例では、グラフという観点から新しいデータ表現を示す。
関連論文リスト
- Self-Supervised Detection of Perfect and Partial Input-Dependent
Symmetries [13.642876234762662]
群同値は、入力の群変換に対する一貫した応答を保証する。
この性質は、グループで考慮された対称性がデータで観測されたものとは異なる場合、過度に制約されたモデルにつながる可能性がある。
本稿では,ラベルを使わずに各入力の対称性のレベルを検出する手法を提案する。
論文 参考訳(メタデータ) (2023-12-19T15:11:46Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳(メタデータ) (2023-11-29T12:48:33Z) - Learning Layer-wise Equivariances Automatically using Gradients [66.81218780702125]
畳み込みは等価対称性をニューラルネットワークにエンコードし、より優れた一般化性能をもたらす。
対称性は、ネットワークが表現できる機能、事前に指定する必要、適応できない機能に対して、固定されたハード制約を提供する。
私たちのゴールは、勾配を使ってデータから自動的に学習できるフレキシブル対称性の制約を可能にすることです。
論文 参考訳(メタデータ) (2023-10-09T20:22:43Z) - Latent Space Symmetry Discovery [34.17702681244696]
本稿では,データから非線形対称性を発見できる新しい生成モデルであるLatent LieGANを提案する。
本手法は, 特定の条件下では任意の非線形対称性を表現可能であることを示す。
各種力学系における方程式発見と長期予測の改善におけるLaLiGANの活用例を示す。
論文 参考訳(メタデータ) (2023-09-29T19:33:01Z) - Approximately Equivariant Graph Networks [14.312312714312046]
グラフニューラルネットワーク(GNN)は一般的に、グラフ内のノードレバーベリングに対する置換同変として記述される。
固定グラフ上で信号がサポートされる学習環境を考えることにより,GNNのアクティブな対称性に着目した。
論文 参考訳(メタデータ) (2023-08-21T03:13:38Z) - Oracle-Preserving Latent Flows [58.720142291102135]
我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。
対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。
この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
論文 参考訳(メタデータ) (2023-02-02T00:13:32Z) - Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras
from First Principles [55.41644538483948]
ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。
完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。
また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
論文 参考訳(メタデータ) (2023-01-13T16:25:25Z) - LieGG: Studying Learned Lie Group Generators [1.5293427903448025]
ニューラルネットワークに組み込まれた対称性は、データを保存して学習することで、幅広いタスクに対して非常に有益であるように思える。
本稿では,ニューラルネットワークが学習した対称性を抽出し,ネットワークの不変度を評価する手法を提案する。
論文 参考訳(メタデータ) (2022-10-09T20:42:37Z) - Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric
graphs [81.12344211998635]
メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。
本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。
本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
論文 参考訳(メタデータ) (2020-03-11T17:21:15Z) - Semiparametric Nonlinear Bipartite Graph Representation Learning with
Provable Guarantees [106.91654068632882]
半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。
提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。
我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
論文 参考訳(メタデータ) (2020-03-02T16:40:36Z)
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。