論文の概要: A Hybrid Objective Function for Robustness of Artificial Neural Networks
-- Estimation of Parameters in a Mechanical System
- arxiv url: http://arxiv.org/abs/2004.07692v1
- Date: Thu, 16 Apr 2020 15:06:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 20:59:50.768644
- Title: A Hybrid Objective Function for Robustness of Artificial Neural Networks
-- Estimation of Parameters in a Mechanical System
- Title（参考訳）: ニューラルネットワークのロバスト性を考慮したハイブリッド目的関数 -機械系のパラメータ推定-
- Authors: Jan Sokolowski, Volker Schulz, Udo Schr\"oder, Hans-Peter Beise
- Abstract要約: 本稿では,加速度プロファイルに基づく機械車両モデルのパラメータ推定の課題について考察する。
未知のパラメータが異なる車両モデル群に対するパラメータを予測できる畳み込みニューラルネットワークアーキテクチャを導入する。
- 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: In several studies, hybrid neural networks have proven to be more robust
against noisy input data compared to plain data driven neural networks. We
consider the task of estimating parameters of a mechanical vehicle model based
on acceleration profiles. We introduce a convolutional neural network
architecture that is capable to predict the parameters for a family of vehicle
models that differ in the unknown parameters. We introduce a convolutional
neural network architecture that given sequential data predicts the parameters
of the underlying data's dynamics. This network is trained with two objective
functions. The first one constitutes a more naive approach that assumes that
the true parameters are known. The second objective incorporates the knowledge
of the underlying dynamics and is therefore considered as hybrid approach. We
show that in terms of robustness, the latter outperforms the first objective on
noisy input data.
- Abstract（参考訳）: いくつかの研究で、ハイブリッドニューラルネットワークは、平易なデータ駆動ニューラルネットワークよりもノイズの多い入力データに対してより堅牢であることが証明されている。
本稿では,加速度プロファイルに基づく機械車両モデルのパラメータ推定作業について考察する。
本稿では,未知のパラメータが異なる車種モデルのパラメータを予測可能な畳み込みニューラルネットワークアーキテクチャを提案する。
逐次データによって基礎となるデータのダイナミクスのパラメータを予測できる畳み込みニューラルネットワークアーキテクチャを導入する。
このネットワークは2つの目的関数で訓練される。
第一に、真のパラメータが知られていると仮定するより単純なアプローチを構成する。
第二の目的は、基礎となる力学の知識を取り入れ、それゆえにハイブリッドアプローチと見なされる。
頑健性という意味では,後者がノイズ入力データに対する最初の目標を上回っていることを示す。
関連論文リスト
- Neural network modelling of kinematic and dynamic features for signature verification [9.143522881319294]
角速度, 角位置, 力トルクを推定するための2つの手法を提案する。
最初のアプローチは、物理的なUR5eロボットアームを使用して、それらのパラメータを時間をかけてキャプチャしながらシグネチャを再現する。
2つ目の方法はコスト効率のよいアプローチで、ニューラルネットワークを使って同じパラメータを推定する。
論文 参考訳（メタデータ） (2024-11-26T15:17:24Z) - Set-based Neural Network Encoding Without Weight Tying [91.37161634310819]
本稿では,ネットワーク特性予測のためのニューラルネットワーク重み符号化手法を提案する。
我々のアプローチは、混合アーキテクチャのモデル動物園でニューラルネットワークを符号化することができる。
ニューラルネットワークのプロパティ予測には,クロスデータセットとクロスアーキテクチャという,2つの新しいタスクを導入する。
論文 参考訳（メタデータ） (2023-05-26T04:34:28Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Hybrid machine-learned homogenization: Bayesian data mining and
convolutional neural networks [0.0]
本研究では,新しい特徴記述子を開発することにより,機械学習による予測を改善することを目的とする。
特徴記述子の反復的な開発により37の新たな特徴が生まれ、予測誤差を約3分の1削減することができた。
特徴に基づくアプローチと畳み込みニューラルネットワークの組み合わせは、ハイブリッドニューラルネットワークにつながる。
論文 参考訳（メタデータ） (2023-02-24T09:59:29Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Conditionally Parameterized, Discretization-Aware Neural Networks for
Mesh-Based Modeling of Physical Systems [0.0]
入力パラメータのトレーニング可能な関数を用いて条件パラメトリゼーションの考え方を一般化する。
条件パラメータ化ネットワークは従来のネットワークに比べて優れた性能を示すことを示す。
CP-GNetと呼ばれるネットワークアーキテクチャも、メッシュ上のフローのスタンドアロン予測に反応可能な最初のディープラーニングモデルとして提案されている。
論文 参考訳（メタデータ） (2021-09-15T20:21:13Z) - Parameter Estimation with Dense and Convolutional Neural Networks
Applied to the FitzHugh-Nagumo ODE [0.0]
密度層と畳み込み層を用いた深層ニューラルネットワークを逆問題として提示し,Fitz-Nagumoモデルのパラメータを推定する。
深層ニューラルネットワークは、動的モデルやプロセスにおけるパラメータを推定する可能性があり、フレームワークのパラメータを正確に予測することができることを実証する。
論文 参考訳（メタデータ） (2020-12-12T01:20:42Z)
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。