Fugu-MT 論文翻訳(概要): Geometry encoding for numerical simulations

論文の概要: Geometry encoding for numerical simulations

arxiv url: http://arxiv.org/abs/2104.07792v1
Date: Thu, 15 Apr 2021 21:56:28 GMT
ステータス: 処理完了
システム内更新日: 2021-04-20 07:03:32.421408
Title: Geometry encoding for numerical simulations
Title（参考訳）: 数値シミュレーションのための幾何符号化
Authors: Amir Maleki, Jan Heyse, Rishikesh Ranade, Haiyang He, Priya Kasimbeg and Jay Pathak
Abstract要約: 機械学習に基づく数値シミュレーションに適したジオメトリ符号化の概念を提示する。特に、このエンコーディングの概念が、他の分野で一般的に使用される他のエンコーディングアルゴリズムとどのように異なるかを説明する。また,プロセッサ,圧縮機,評価器を含む複数のニューラルネットワークで構成されるモデルを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We present a notion of geometry encoding suitable for machine learning-based numerical simulation. In particular, we delineate how this notion of encoding is different than other encoding algorithms commonly used in other disciplines such as computer vision and computer graphics. We also present a model comprised of multiple neural networks including a processor, a compressor and an evaluator.These parts each satisfy a particular requirement of our encoding. We compare our encoding model with the analogous models in the literature
Abstract（参考訳）: 本稿では,機械学習に基づく数値シミュレーションに適した幾何符号化の概念を提案する。特に、このエンコーディングの概念が、コンピュータビジョンやコンピュータグラフィックスといった他の分野で一般的に使用される他のエンコーディングアルゴリズムとどのように異なるかを説明する。また,プロセッサ,圧縮機,評価器を含む複数のニューラルネットワークで構成されるモデルを提案する。エンコーディングモデルと文献の類似モデルを比較します

関連論文リスト

Comparing Quantum Encoding Techniques [0.0]
本研究では、特にハイブリッド量子古典機械学習の文脈における符号化手法について検討する。本研究は,QuClassi量子ニューラルネットワークアーキテクチャを用いて,MNISTデータセットから3'および6'桁のバイナリ分類を行い,精度,エントロピー,損失,ノイズ耐性などの指標を得る。
論文参考訳（メタデータ） (2024-10-11T00:14:31Z)
Decoding Quantum LDPC Codes Using Graph Neural Networks [52.19575718707659]
グラフニューラルネットワーク(GNN)に基づく量子低密度パリティチェック(QLDPC)符号の新しい復号法を提案する。提案したGNNベースのQLDPCデコーダは,QLDPC符号のスパースグラフ構造を利用して,メッセージパスデコーダとして実装することができる。
論文参考訳（メタデータ） (2024-08-09T16:47:49Z)
Decoder-Only or Encoder-Decoder? Interpreting Language Model as a Regularized Encoder-Decoder [75.03283861464365]
seq2seqタスクは、与えられた入力ソースシーケンスに基づいてターゲットシーケンスを生成することを目的としている。伝統的に、seq2seqタスクのほとんどはエンコーダによって解決され、ソースシーケンスとデコーダをエンコードしてターゲットテキストを生成する。最近、デコーダのみの言語モデルをseq2seqタスクに直接適用する、多くの新しいアプローチが出現しました。
論文参考訳（メタデータ） (2023-04-08T15:44:29Z)
On the Suitability of Representations for Quality Diversity Optimization of Shapes [77.34726150561087]
進化的アルゴリズムで使用される表現、あるいは符号化は、その性能に大きな影響を及ぼす。本研究では, 直接符号化, 辞書ベース表現, パラメトリック符号化, 合成パターン生成ネットワーク, セルオートマトンなどの表現が, 酸化メッシュの生成に与える影響について比較した。
論文参考訳（メタデータ） (2023-04-07T07:34:23Z)
Convolutional Neural Networks Trained to Identify Words Provide a Good Account of Visual Form Priming Effects [14.202583960390394]
深層畳み込みネットワークは, 符号化方式や単語認識モデルよりも, あるいはそれ以上に機能することがわかった。発見は、畳み込みネットワークが視覚的単語識別の重要な側面を捉えていることを示唆する最近の研究に重きを置いている。
論文参考訳（メタデータ） (2023-02-08T11:01:19Z)
Understanding the Mapping of Encode Data Through An Implementation of Quantum Topological Analysis [0.7106986689736827]
複素ヒルベルト空間に埋め込まれたデータのトポロジーを解析することにより,符号化手法の違いを可視化できることを示す。提案手法は,異なる量子機械学習モデルにおいて慎重に検討する必要があることを示唆する。
論文参考訳（メタデータ） (2022-09-21T18:46:08Z)
Conservation laws and quantum error correction: towards a generalised matching decoder [2.1756081703276]
原型量子低密度パリティチェック符号である表面符号の復号アルゴリズムについて検討する。デコーダは、表面符号安定化素子間の物質化された対称性によって生じる基盤構造を利用する。本研究では,特定の特性を持つ符号に対して,最小重み付き完全整合デコーダを構築する方式を提案する。
論文参考訳（メタデータ） (2022-07-13T18:00:00Z)
Thinking Like Transformers [64.96770952820691]
本稿では,プログラミング言語の形式で変換器エンコーダの計算モデルを提案する。 RASPは、トランスフォーマーによって確実に学習できるタスクの解決策をプログラムするのにどのように使えるかを示す。ヒストグラム、ソート、ダイク言語のためのRASPプログラムを提供する。
論文参考訳（メタデータ） (2021-06-13T13:04:46Z)
Dual Encoding for Video Retrieval by Text [49.34356217787656]
本稿では,ビデオやクエリを独自の高密度表現に符号化する2つのディープエンコーディングネットワークを提案する。まず、特定のシングルレベルエンコーダを利用する先行技術と異なり、提案するネットワークはマルチレベルエンコーダを実行する。第2に、概念ベースまたは潜在空間ベースのいずれかである従来の共通空間学習アルゴリズムとは異なり、ハイブリッド空間学習を導入する。
論文参考訳（メタデータ） (2020-09-10T15:49:39Z)
Quasi-orthonormal Encoding for Machine Learning Applications [0.0]
共通符号化方式の利点と欠点を簡潔に述べる。ワンホット符号化は、いくつかの無関係なカテゴリを持つ属性に対して一般的に使用される。準正規符号化(QOE)はギャップを埋める。
論文参考訳（メタデータ） (2020-05-29T19:07:38Z)
Learning to Encode Position for Transformer with Continuous Dynamical Model [88.69870971415591]
本研究では,トランスフォーマーモデルなどの非リカレントモデルの位置情報をエンコードする新しい学習方法を提案する。このような力学系による位置指数に沿った符号化結果の進化をモデル化する。
論文参考訳（メタデータ） (2020-03-13T00:41:41Z)

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。