Fugu-MT 論文翻訳(概要): Detecting Symmetries with Neural Networks

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

Learning Infinitesimal Generators of Continuous Symmetries from Data [15.42275880523356]
1-パラメータ群で定義された変換に基づく新しい対称性学習アルゴリズムを提案する。この手法は最小限の帰納バイアスに基づいて構築され、リー群に根付いた一般的な対称性だけでなく、非線形発生器由来の対称性にまで拡張される。
論文参考訳（メタデータ） (2024-10-29T08:28:23Z)
Symmetry Discovery for Different Data Types [52.2614860099811]
等価ニューラルネットワークは、そのアーキテクチャに対称性を取り入れ、より高度な一般化性能を実現する。本稿では,タスクの入出力マッピングを近似したトレーニングニューラルネットワークによる対称性発見手法であるLieSDを提案する。我々は,2体問題,慣性行列予測のモーメント,トップクォークタグ付けといった課題におけるLieSDの性能を検証した。
論文参考訳（メタデータ） (2024-10-13T13:39:39Z)
The Empirical Impact of Neural Parameter Symmetries, or Lack Thereof [50.49582712378289]
ニューラル・ネットワーク・アーキテクチャの導入により,ニューラル・パラメータ・対称性の影響について検討する。我々は,パラメータ空間対称性を低減するために,標準的なニューラルネットワークを改良する2つの手法を開発した。実験により,パラメータ対称性の経験的影響に関する興味深い観察がいくつか示された。
論文参考訳（メタデータ） (2024-05-30T16:32:31Z)
Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文参考訳（メタデータ） (2024-05-22T17:23:15Z)
Self-Supervised Detection of Perfect and Partial Input-Dependent Symmetries [11.54837584979607]
群の同値性は、群の対称性がデータで観測されたものと異なる場合、過度にモデルを制約することができる。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。我々のフレームワークは、連続分布と離散対称性分布の両方の異なる族に対応するのに十分である。
論文参考訳（メタデータ） (2023-12-19T15:11:46Z)
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 [31.28537696897416]
本稿では,非線形群作用の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。本モデルでは,群作用に関する条件下で非線形対称性を表現できることが示されている。 LaLiGANはまた、方程式発見や長期予測を含む下流のタスクに有用な構造化された潜在空間をもたらす。
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)

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。