論文の概要: Adaptive Machine Learning for Time-Varying Systems: Low Dimensional Latent Space Tuning

• arxiv url: http://arxiv.org/abs/2107.06207v1
• Date: Tue, 13 Jul 2021 16:05:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 14:48:35.435072
• Title: Adaptive Machine Learning for Time-Varying Systems: Low Dimensional Latent Space Tuning
• Title（参考訳）: 時変システムのための適応機械学習:低次元ラテント空間チューニング
• Authors: Alexander Scheinker
• Abstract要約: 本稿では,時間変化システムを対象とした適応機械学習手法を提案する。 我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。 そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
• 参考スコア（独自算出の注目度）: 91.3755431537592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) tools such as encoder-decoder convolutional neural networks (CNN) can represent incredibly complex nonlinear functions which map between combinations of images and scalars. For example, CNNs can be used to map combinations of accelerator parameters and images which are 2D projections of the 6D phase space distributions of charged particle beams as they are transported between various particle accelerator locations. Despite their strengths, applying ML to time-varying systems, or systems with shifting distributions, is an open problem, especially for large systems for which collecting new data for re-training is impractical or interrupts operations. Particle accelerators are one example of large time-varying systems for which collecting detailed training data requires lengthy dedicated beam measurements which may no longer be available during regular operations. We present a recently developed method of adaptive ML for time-varying systems. Our approach is to map very high (N>100k) dimensional inputs (a combination of scalar parameters and images) into the low dimensional (N~2) latent space at the output of the encoder section of an encoder-decoder CNN. We then actively tune the low dimensional latent space-based representation of complex system dynamics by the addition of an adaptively tuned feedback vector directly before the decoder sections builds back up to our image-based high-dimensional phase space density representations. This method allows us to learn correlations within and to quickly tune the characteristics of incredibly high parameter systems and to track their evolution in real time based on feedback without massive new data sets for re-training.
• Abstract（参考訳）: エンコーダ・デコーダ・畳み込みニューラルネットワーク(CNN)のような機械学習(ML)ツールは、画像とスカラーの組み合わせをマッピングする驚くほど複雑な非線形関数を表現できる。 例えば、CNNは、荷電粒子ビームの6次元位相空間分布の2次元射影である加速器パラメータと画像の組み合わせを、様々な粒子加速器位置間で輸送する際にマッピングすることができる。 その強みにもかかわらず、mlを時変システムやシフト分布を持つシステムに適用することは、特に再トレーニングのための新しいデータ収集が非実用的あるいは中断的な大規模システムにとって、オープンな問題である。 粒子加速器は、詳細なトレーニングデータを収集するためには、通常の操作では利用できないような、長い専用のビーム測定が必要である。 本稿では,時間変化システムの適応型MLを提案する。 我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高い(N>100k)次元入力(スカラーパラメータと画像の組み合わせ)を低次元(N~2)潜在空間にマッピングする。 次に、デコーダ部が画像ベース高次元位相空間密度表現に戻す前に、適応的に調整されたフィードバックベクトルを付加することにより、複素力学の低次元潜在空間ベース表現を積極的に調整する。 そこで本手法では, パラメータシステムの特性を高速に学習し, フィードバックに基づいて, 新たなデータセットを組み込まずに, リアルタイムにその進化を追従する手法を提案する。

関連論文リスト

• Disentangling Spatial and Temporal Learning for Efficient Image-to-Video Transfer Learning [59.26623999209235]
  ビデオの空間的側面と時間的側面の学習を両立させるDiSTを提案する。 DiSTの非絡み合い学習は、大量の事前学習パラメータのバックプロパゲーションを避けるため、非常に効率的である。 5つのベンチマークの大規模な実験は、DiSTが既存の最先端メソッドよりも優れたパフォーマンスを提供することを示す。
  論文  参考訳（メタデータ） (2023-09-14T17:58:33Z)
• Data-Free Learning of Reduced-Order Kinematics [54.85157881323157]
  画像が多様だが低エネルギーな構成のサブ多様体をパラメータ化する低次元マップを作成する。 サブスペースを低次元潜在ベクトルを全構成空間にマッピングするニューラルネットワークとして表現する。 この定式化は、非常に一般的な物理系において有効である。
  論文  参考訳（メタデータ） (2023-05-05T20:53:36Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Neural Implicit Flow: a mesh-agnostic dimensionality reduction paradigm of spatio-temporal data [4.996878640124385]
  大規模・パラメトリック・時空間データに対してメッシュに依存しない低ランクな表現を可能にする,NIF(Neural Implicit Flow)と呼ばれる汎用フレームワークを提案する。 NIFは、2つの修正された多層パーセプトロン(i)ShapeNetで構成されており、これは空間的複雑さ(i)ShapeNetを分離し、表現し、パラメトリック依存関係、時間、センサー測定を含む他の入力測定を考慮に入れている。 パラメトリックサロゲートモデリングにおけるNIFの有用性を実証し、複雑な時空間力学の解釈可能な表現と圧縮を可能にし、多空間時空間の効率的な一般化を実現し、スパースの性能を改善した。
  論文  参考訳（メタデータ） (2022-04-07T05:02:58Z)
• Faster hyperspectral image classification based on selective kernel mechanism using deep convolutional networks [18.644268589334217]
  このレターは、FSKNet(Faster selective kernel mechanism network)を設計し、FSKNetはこの問題のバランスをとることができる。 3D-CNNと2D-CNN変換モジュールを設計し、3D-CNNを用いて空間とスペクトルの次元を小さくしながら特徴抽出を完了した。 FSKNetは、非常に小さなパラメータを持つIN、UP、Salinas、Botswanaデータセットに対して高い精度を達成する。
  論文  参考訳（メタデータ） (2022-02-14T02:14:50Z)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Non-linear State-space Model Identification from Video Data using Deep Encoders [0.0]
  本稿では,高次元入力および出力データから始まる非線形状態空間同定手法を提案する。 ニューラルネットワークで表現されたエンコーダ関数を導入して再構成可能性マップを学習し、過去の入力や出力からモデル状態を予測する。 ユニットボックス内の制御可能なボールのシミュレーション環境の映像ストリームに,提案手法を適用した。
  論文  参考訳（メタデータ） (2020-12-14T17:14:46Z)

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。