論文の概要: Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling
- arxiv url: http://arxiv.org/abs/2102.13156v1
- Date: Thu, 25 Feb 2021 20:28:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-02 01:50:49.964843
- Title: Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling
- Title(参考訳): ロバスト・インタープリタブルジェネラティブモデリングのための物理統合可変オートエンコーダ
- Authors: Naoya Takeishi and Alexandros Kalousis
- Abstract要約: 我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
- 参考スコア(独自算出の注目度): 86.9726984929758
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Integrating physics models within machine learning holds considerable promise
toward learning robust models with improved interpretability and abilities to
extrapolate. In this work, we focus on the integration of incomplete physics
models into deep generative models, variational autoencoders (VAEs) in
particular. A key technical challenge is to strike a balance between the
incomplete physics model and the learned components (i.e., neural nets) of the
complete model, in order to ensure that the physics part is used in a
meaningful manner. To this end, we propose a VAE architecture in which a part
of the latent space is grounded by physics. We couple it with a set of
regularizers that control the effect of the learned components and preserve the
semantics of the physics-based latent variables as intended. We not only
demonstrate generative performance improvements over a set of synthetic and
real-world datasets, but we also show that we learn robust models that can
consistently extrapolate beyond the training distribution in a meaningful
manner. Moreover, we show that we can control the generative process in an
interpretable manner.
- Abstract(参考訳): 機械学習に物理モデルを統合することは、解釈能力と外挿能力を改善した堅牢なモデルを学ぶための大きな約束です。
本研究では,不完全物理モデルの深部生成モデル,特に変分オートエンコーダ(VAE)への統合に焦点を当てる。
重要な技術的課題は、不完全物理学モデルと完全モデルの学習された構成要素(ニューラルネット)のバランスを取ることで、物理部が有意義に使われていることを保証することである。
そこで本研究では,潜在空間の一部が物理によって基底化されるVAEアーキテクチャを提案する。
我々は、学習したコンポーネントの効果を制御し、物理学に基づく潜伏変数のセマンティクスを意図通りに保持する正規化器のセットと組み合わせる。
合成および実世界のデータセットに対して生成的なパフォーマンス向上を示すだけでなく、トレーニング分布を超えて有意義な方法で一貫した外挿が可能な堅牢なモデルを学ぶことも示しています。
さらに,我々は生成過程を解釈可能な方法で制御できることを示した。
関連論文リスト
- Building Flexible Machine Learning Models for Scientific Computing at
Scale [36.50343666079548]
我々は科学計算の基礎モデル構築のためのパラダイムシフトアプローチであるOmniArchを紹介する。
包括的なPDEBenchデータセットで事前トレーニングされたOmniArchは、新しいパフォーマンスベンチマークを1D、2D、3D PDE用に設定する。
モデルの表現はさらに逆問題解決にまで拡張され、AI対応科学コンピューティング(AI4SC)の変革の可能性を強調している。
論文 参考訳(メタデータ) (2024-02-25T07:19:01Z) - ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [90.97595947781426]
ContPhyは、マシン物理常識を評価するための新しいベンチマークである。
私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。
また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
論文 参考訳(メタデータ) (2024-02-09T01:09:21Z) - DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。
我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文 参考訳(メタデータ) (2023-11-28T18:58:48Z) - Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。
既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。
我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
論文 参考訳(メタデータ) (2023-08-29T07:15:57Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and
Compliant Impedance Control [16.88250694156719]
剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。
7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
論文 参考訳(メタデータ) (2022-05-27T07:39:28Z) - Dynamic Visual Reasoning by Learning Differentiable Physics Models from
Video and Language [92.7638697243969]
視覚概念を協調的に学習し,映像や言語から物体の物理モデルを推定する統合フレームワークを提案する。
これは視覚認識モジュール、概念学習モジュール、微分可能な物理エンジンの3つのコンポーネントをシームレスに統合することで実現される。
論文 参考訳(メタデータ) (2021-10-28T17:59:13Z) - Physics-guided Deep Markov Models for Learning Nonlinear Dynamical
Systems with Uncertainty [6.151348127802708]
我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。
提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
論文 参考訳(メタデータ) (2021-10-16T16:35:12Z) - Hard Encoding of Physics for Learning Spatiotemporal Dynamics [8.546520029145853]
既知の物理知識を強制的にエンコードして,データ駆動的な学習を容易にするディープラーニングアーキテクチャを提案する。
物理学の強制符号化メカニズムは、ペナルティに基づく物理学による学習と根本的に異なるが、ネットワークが与えられた物理学に厳密に従うことを保証する。
論文 参考訳(メタデータ) (2021-05-02T21:40:39Z) - Physics-Guided Machine Learning for Scientific Discovery: An Application
in Simulating Lake Temperature Profiles [8.689056739160593]
本稿では,RNNと物理モデルを組み合わせた物理誘導リカレントニューラルネットワークモデル(PGRNN)を提案する。
PGRNNは物理法則と整合した出力を生成しながら、物理モデルよりも予測精度を向上させることができることを示す。
湖沼の温度のダイナミクスをモデル化する文脈において,本手法を提示し,評価するが,より広い範囲の科学・工学分野に適用できる。
論文 参考訳(メタデータ) (2020-01-28T15:44:45Z)
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。