Fugu-MT 論文翻訳(概要): PDE-Driven Spatiotemporal Disentanglement

論文の概要: PDE-Driven Spatiotemporal Disentanglement

arxiv url: http://arxiv.org/abs/2008.01352v3
Date: Tue, 23 Mar 2021 09:44:40 GMT
ステータス: 処理完了
システム内更新日: 2022-11-02 23:12:24.955707
Title: PDE-Driven Spatiotemporal Disentanglement
Title（参考訳）: PDE駆動時空間歪み
Authors: J\'er\'emie Don\`a (MLIA), Jean-Yves Franceschi (MLIA), Sylvain Lamprier (MLIA), Patrick Gallinari (MLIA)
Abstract要約: 機械学習コミュニティにおける最近の研究は、微分方程式理論から特定のツールを活用することで、高次元現象を予測する問題に対処している。本稿では, 偏微分方程式の解法, 変数の分離に基づく, このタスクのための新しい, 一般的なパラダイムを提案する。物理および合成ビデオデータセット上での先行技術モデルに対する提案手法の性能と適用性について実験的に検証した。
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: A recent line of work in the machine learning community addresses the problem of predicting high-dimensional spatiotemporal phenomena by leveraging specific tools from the differential equations theory. Following this direction, we propose in this article a novel and general paradigm for this task based on a resolution method for partial differential equations: the separation of variables. This inspiration allows us to introduce a dynamical interpretation of spatiotemporal disentanglement. It induces a principled model based on learning disentangled spatial and temporal representations of a phenomenon to accurately predict future observations. We experimentally demonstrate the performance and broad applicability of our method against prior state-of-the-art models on physical and synthetic video datasets.
Abstract（参考訳）: 機械学習コミュニティにおける最近の研究は、微分方程式理論から特定のツールを活用することで高次元時空間現象を予測する問題に対処している。本稿では, 偏微分方程式の解法, 変数の分離に基づく新しい, 一般パラダイムを提案する。このインスピレーションにより、時空間的ゆがみの動的解釈を導入することができる。現象の空間的および時空間的表現を学習し、将来の観測を正確に予測する原理モデルを生成する。物理および合成ビデオデータセット上での先行技術モデルに対する提案手法の性能と適用性について実験的に検証した。

関連論文リスト

Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術よりも優れていることが示された。
論文参考訳（メタデータ） (2024-08-10T17:04:39Z)
PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文参考訳（メタデータ） (2024-02-25T17:39:44Z)
Course Correcting Koopman Representations [12.517740162118855]
本稿では, この問題のオートエンコーダの定式化と, ダイナミックスをモデル化するための様々な方法について検討する。本稿では,長期的ダイナミクスを忠実に捉えるために,周期的再符号化と呼ばれる推論時機構を提案する。
論文参考訳（メタデータ） (2023-10-23T22:36:31Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
Anamnesic Neural Differential Equations with Orthogonal Polynomial Projections [6.345523830122166]
本稿では,長期記憶を強制し,基礎となる力学系の大域的表現を保存する定式化であるPolyODEを提案する。提案手法は理論的保証に支えられ,過去と将来のデータの再構築において,過去の成果よりも優れていたことを実証する。
論文参考訳（メタデータ） (2023-03-03T10:49:09Z)
Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文参考訳（メタデータ） (2022-07-28T19:59:14Z)
Learning the Dynamics of Physical Systems from Sparse Observations with Finite Element Networks [2.538209532048867]
有限要素法によるデータ力学の連続時間モデルを導出する。得られたグラフニューラルネットワークは、空間領域のメッシュ化において、未知のダイナミクスが各セルに与える影響を推定する。定性的な分析により、我々のモデルはデータを構成部品に切り離し、一意に解釈可能であることを示す。
論文参考訳（メタデータ） (2022-03-16T18:19:43Z)
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文参考訳（メタデータ） (2022-02-24T20:46:52Z)
A Deep Learning Approach for Predicting Spatiotemporal Dynamics From Sparsely Observed Data [10.217447098102165]
未知偏微分方程式(PDE)によって駆動される物理過程の学習予測モデルの問題を考える。本稿では,基礎となるダイナミクスを学習し,分散データサイトを用いてその進化を予測するディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2020-11-30T16:38:00Z)
Neural Controlled Differential Equations for Irregular Time Series [17.338923885534197]
通常の微分方程式はその初期条件によって決定され、その後の観測に基づいて軌道を調整するメカニズムは存在しない。ここでは、Emph制御微分方程式のよく理解された数学を通して、これをどのように解決するかを示す。実験により,本モデルが類似モデル (ODE や RNN をベースとした) に対して, 種々のデータセットに対する実験的検討において, 最先端の性能を実現することを示す。
論文参考訳（メタデータ） (2020-05-18T17:52:21Z)

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。