論文の概要: Geometric Prediction: Moving Beyond Scalars

• arxiv url: http://arxiv.org/abs/2006.14163v1
• Date: Thu, 25 Jun 2020 04:12:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 03:29:42.748334
• Title: Geometric Prediction: Moving Beyond Scalars
• Title（参考訳）: 幾何学的予測:スカラーを越える
• Authors: Raphael J. L. Townshend, Brent Townshend, Stephan Eismann, Ron O. Dror
• Abstract要約: 等変ネットワークはそのような近似を必要とせずに実世界の幾何テンソルを予測できることを示す。 幾何学的予測問題として,重要な課題である生体分子構造の微細化の新たな定式化を提案する。 両方の設定において、我々の同変ネットワークは、小さなサンプルセットで訓練されたにもかかわらず、目に見えないシステムに一般化できることがわかった。
• 参考スコア（独自算出の注目度）: 4.702729080310267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many quantities we are interested in predicting are geometric tensors; we refer to this class of problems as geometric prediction. Attempts to perform geometric prediction in real-world scenarios have been limited to approximating them through scalar predictions, leading to losses in data efficiency. In this work, we demonstrate that equivariant networks have the capability to predict real-world geometric tensors without the need for such approximations. We show the applicability of this method to the prediction of force fields and then propose a novel formulation of an important task, biomolecular structure refinement, as a geometric prediction problem, improving state-of-the-art structural candidates. In both settings, we find that our equivariant network is able to generalize to unseen systems, despite having been trained on small sets of examples. This novel and data-efficient ability to predict real-world geometric tensors opens the door to addressing many problems through the lens of geometric prediction, in areas such as 3D vision, robotics, and molecular and structural biology.
• Abstract（参考訳）: 予測することに興味のある量の多くは幾何テンソルであり、このクラスの問題を幾何学的予測と呼ぶ。 現実世界のシナリオで幾何学的予測を行う試みは、スカラー予測を通じてそれらを近似することに限られており、データの効率が低下している。 本研究では,同変ネットワークが,そのような近似を必要とせずに実世界の幾何テンソルを予測できることを示す。 本稿では,この手法が力場予測に適用可能であることを示すとともに,生体分子構造改善という重要な課題の新たな定式化を幾何学的予測問題として提案する。 両方の設定において、我々の同変ネットワークは、小さなサンプルセットで訓練されたにもかかわらず、目に見えないシステムに一般化できることがわかった。 現実世界の幾何学的テンソルを予測できるこの新規でデータ効率の良い能力は、3dビジョン、ロボティクス、分子・構造生物学といった分野における幾何学的予測のレンズを通して多くの問題に対処するための扉を開く。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• Bridging Geometric States via Geometric Diffusion Bridge [79.60212414973002]
  本稿では,初期および対象の幾何状態を正確にブリッジする新しい生成モデリングフレームワークであるGeometric Diffusion Bridge (GDB)を紹介する。 GDBは、幾何学的状態の接続のためにDoobの$h$-transformの修正版から派生した同変拡散ブリッジを使用している。 我々はGDBが既存の最先端のアプローチを超越し、幾何学的状態を正確にブリッジするための新しい経路を開くことを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:59:53Z)
• Geometric Inductive Biases of Deep Networks: The Role of Data and Architecture [22.225213114532533]
  ニューラルネットワークをトレーニングする場合、入力空間の曲率はそのアーキテクチャによって決定される変換の下で不変である。 平均幾何が低ランクである場合(例えばResNetの場合)、幾何学は入力空間の部分集合にのみ変化する。
  論文  参考訳（メタデータ） (2024-10-15T19:46:09Z)
• A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [67.33002207179923]
  本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。 幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。 また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
  論文  参考訳（メタデータ） (2024-03-01T12:13:04Z)
• Adaptive Surface Normal Constraint for Geometric Estimation from Monocular Images [56.86175251327466]
  本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。 提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。 本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
  論文  参考訳（メタデータ） (2024-02-08T17:57:59Z)
• A quatum inspired neural network for geometric modeling [14.214656118952178]
  本稿では,MPSベースのメッセージパッシング戦略を提案する。 本手法は,多体関係を効果的にモデル化し,平均場近似を抑える。 これは幾何学的GNNに固有の標準メッセージパッシングおよびレイヤ集約モジュールをシームレスに置き換える。
  論文  参考訳（メタデータ） (2024-01-03T15:59:35Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Revisiting Transformation Invariant Geometric Deep Learning: Are Initial Representations All You Need? [80.86819657126041]
  変換不変および距離保存初期表現は変換不変性を達成するのに十分であることを示す。 具体的には、多次元スケーリングを変更することで、変換不変かつ距離保存された初期点表現を実現する。 我々は、TinvNNが変換不変性を厳密に保証し、既存のニューラルネットワークと組み合わせられるほど汎用的で柔軟なことを証明した。
  論文  参考訳（メタデータ） (2021-12-23T03:52:33Z)
• Computational Analysis of Deformable Manifolds: from Geometric Modelling to Deep Learning [0.0]
  非平坦空間の多様性が豊富な研究領域を提供することを示す。 形状処理とデータ解析のための幾何学的手法について検討する。
  論文  参考訳（メタデータ） (2020-09-03T16:50:48Z)
• Geometric Attention for Prediction of Differential Properties in 3D Point Clouds [32.68259334785767]
  本研究では,このような特性を学習可能な方法で提供できる幾何学的注意機構を提案する。 本研究では,正規ベクトルの予測と特徴線の抽出に関する実験により,提案手法の有用性を確立した。
  論文  参考訳（メタデータ） (2020-07-06T07:40:26Z)

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。