論文の概要: Data-driven topology design using a deep generative model
- arxiv url: http://arxiv.org/abs/2006.04559v3
- Date: Tue, 9 Mar 2021 06:45:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 02:38:04.890030
- Title: Data-driven topology design using a deep generative model
- Title(参考訳): 深層生成モデルを用いたデータ駆動トポロジ設計
- Authors: Shintaro Yamasaki and Kentaro Yaji and Kikuo Fujita
- Abstract要約: 本稿では,データ駆動トポロジ設計と呼ばれる,感度のない多目的構造設計手法を提案する。
設計領域において、最初に与えられた材料分布から高性能な材料分布を得る計画である。
- 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 this paper, we propose a sensitivity-free and multi-objective structural
design methodology called data-driven topology design. It is schemed to obtain
high-performance material distributions from initially given material
distributions in a given design domain. Its basic idea is to iterate the
following processes: (i) selecting material distributions from a dataset of
material distributions according to eliteness, (ii) generating new material
distributions using a deep generative model trained with the selected elite
material distributions, and (iii) merging the generated material distributions
with the dataset. Because of the nature of a deep generative model, the
generated material distributions are diverse and inherit features of the
training data, that is, the elite material distributions. Therefore, it is
expected that some of the generated material distributions are superior to the
current elite material distributions, and by merging the generated material
distributions with the dataset, the performances of the newly selected elite
material distributions are improved. The performances are further improved by
iterating the above processes. The usefulness of data-driven topology design is
demonstrated through numerical examples.
- Abstract(参考訳): 本稿では,データ駆動トポロジ設計と呼ばれる,感度のない多目的構造設計手法を提案する。
設計領域において、最初に与えられた材料分布から高性能な材料分布を得る計画である。
その基本的な考え方は、以下のプロセスを繰り返すことである。
一 エリート性に応じて材料分布のデータセットから材料分布を選択すること。
(ii)選択されたエリート物質分布を訓練した深層生成モデルを用いた新しい物質分布の生成と,
(iii) 生成された材料分布をデータセットにマージすること。
深層生成モデルの性質から, 生成した物質分布は多様であり, 訓練データの特徴, すなわち, エリート物質分布を継承する。
そのため, 生成物質分布のいくつかは現在のエリート物質分布よりも優れており, 生成物質分布とデータセットを融合することにより, 新たに選択したエリート物質分布の性能が向上することが期待される。
上記のプロセスを繰り返すことでさらに性能が向上する。
データ駆動トポロジー設計の有用性を数値例で示す。
関連論文リスト
- Generative Modeling and Data Augmentation for Power System Production Simulation [0.0]
本稿では,小さなサンプルシナリオ下での負荷予測のための生成モデル支援手法を提案する。
拡張データセットは、元のデータセットと比較して予測エラーを大幅に削減する。
拡散モデルは、約200倍の誤差を達成し、生成的敵モデルより優れる。
論文 参考訳(メタデータ) (2024-12-10T12:38:47Z) - Constrained Diffusion Models via Dual Training [80.03953599062365]
拡散プロセスは、トレーニングデータセットのバイアスを反映したサンプルを生成する傾向がある。
所望の分布に基づいて拡散制約を付与し,制約付き拡散モデルを構築する。
本稿では,制約付き拡散モデルを用いて,目的と制約の最適なトレードオフを実現する混合データ分布から新しいデータを生成することを示す。
論文 参考訳(メタデータ) (2024-08-27T14:25:42Z) - Distribution-Aware Data Expansion with Diffusion Models [55.979857976023695]
本研究では,分散型拡散モデルに基づくトレーニングフリーなデータ拡張フレームワークであるDistDiffを提案する。
DistDiffは、オリジナルデータのみにトレーニングされたモデルと比較して、さまざまなデータセットの精度を一貫して向上させる。
論文 参考訳(メタデータ) (2024-03-11T14:07:53Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Probabilistic Matching of Real and Generated Data Statistics in Generative Adversarial Networks [0.6906005491572401]
本稿では,あるデータ統計量の分布が実データの分布と一致することを確実にする手法を提案する。
提案手法を合成データセットと実世界のデータセットで評価し,提案手法の性能向上を実証した。
論文 参考訳(メタデータ) (2023-06-19T14:03:27Z) - Class-Balancing Diffusion Models [57.38599989220613]
クラスバランシング拡散モデル(CBDM)は、分散調整正規化器をソリューションとして訓練する。
提案手法は,CIFAR100/CIFAR100LTデータセットで生成結果をベンチマークし,下流認識タスクにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2023-04-30T20:00:14Z) - The Score-Difference Flow for Implicit Generative Modeling [1.1929584800629673]
Inlicit Generative Modelingは、対象データ分布と一致する合成データのサンプルを作成することを目的としている。
最近の研究は、合成音源データをターゲット分布へプッシュする観点から、IGG問題にアプローチしている。
任意のターゲット分布とソース分布のスコア差を,Kulback-Leibler分散を最適に低減するフローとして提示する。
論文 参考訳(メタデータ) (2023-04-25T15:21:12Z) - Diffusing Gaussian Mixtures for Generating Categorical Data [21.43283907118157]
本稿では,高品質なサンプル生成に着目した拡散モデルに基づく分類データの生成モデルを提案する。
評価手法は、分類データを生成するための異なる生成モデルの能力と限界を強調した。
論文 参考訳(メタデータ) (2023-03-08T14:55:32Z) - Score Approximation, Estimation and Distribution Recovery of Diffusion
Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。
適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。
推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文 参考訳(メタデータ) (2023-02-14T17:02:35Z) - ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。
摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。
最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文 参考訳(メタデータ) (2022-08-18T16:07:59Z) - Input-Output Balanced Framework for Long-tailed LiDAR Semantic
Segmentation [12.639524717464509]
本稿では,ロングテール分布の問題を扱うための入出力バランスフレームワークを提案する。
入力空間に対して、メッシュモデルからこれらのテールインスタンスを合成し、LiDARスキャンの位置と密度分布をうまくシミュレートする。
出力空間に対して, 形状と実例量に基づいて, 異なるカテゴリをグループ化するマルチヘッドブロックを提案する。
論文 参考訳(メタデータ) (2021-03-26T05:42:11Z)
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。