Fugu-MT 論文翻訳(概要): Redatuming physical systems using symmetric autoencoders

論文の概要: Redatuming physical systems using symmetric autoencoders

arxiv url: http://arxiv.org/abs/2108.02537v1
Date: Thu, 5 Aug 2021 11:48:45 GMT
ステータス: 処理完了
システム内更新日: 2021-08-06 18:54:13.178603
Title: Redatuming physical systems using symmetric autoencoders
Title（参考訳）: 対称オートエンコーダを用いた物理システムの再評価
Authors: Pawan Bharadwaj, Matthew Li and Laurent Demanet
Abstract要約: 本稿では,隠蔽状態によって記述された物理系について考察し,非モデル化ニュアンスパラメータによって劣化した繰り返し測定により間接的に観察する。ネットワークベースの表現は、一貫性のない情報からコヒーレント情報を解き放つことを学習する。物理モデルの代わりに対称性とニュアンス正規化を使い、SymAEと呼ばれるオートエンコーダアーキテクチャを知らせる。
参考スコア（独自算出の注目度）: 1.933681537640272
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper considers physical systems described by hidden states and indirectly observed through repeated measurements corrupted by unmodeled nuisance parameters. A network-based representation learns to disentangle the coherent information (relative to the state) from the incoherent nuisance information (relative to the sensing). Instead of physical models, the representation uses symmetry and stochastic regularization to inform an autoencoder architecture called SymAE. It enables redatuming, i.e., creating virtual data instances where the nuisances are uniformized across measurements.
Abstract（参考訳）: 本稿では,隠蔽状態によって記述された物理系について考察し,非モデル化ニュアンスパラメータによって劣化した繰り返し測定により間接的に観察する。ネットワークベースの表現は、コヒーレント情報(状態に関する)を、非コヒーレントなニュアンス情報(センサに関する)から切り離すことを学ぶ。物理モデルの代わりに対称性と確率正規化を使い、SymAEと呼ばれるオートエンコーダアーキテクチャを知らせる。これにより、測定値間で迷惑が均一化された仮想データインスタンスの作成など、再集計が可能になる。

関連論文リスト

Generating Synthetic Net Load Data with Physics-informed Diffusion Model [0.8848340429852071]
条件付き認知ニューラルネットワークは、拡散モデルの遷移核のパラメータを共同で訓練するように設計されている。総合的な評価指標を用いて、生成された合成ネット負荷データの正確性と多様性を評価する。
論文参考訳（メタデータ） (2024-06-04T02:50:19Z)
The Empirical Impact of Neural Parameter Symmetries, or Lack Thereof [50.49582712378289]
ニューラル・ネットワーク・アーキテクチャの導入により,ニューラル・パラメータ・対称性の影響について検討する。我々は,パラメータ空間対称性を低減するために,標準的なニューラルネットワークを改良する2つの手法を開発した。実験により,パラメータ対称性の経験的影響に関する興味深い観察がいくつか示された。
論文参考訳（メタデータ） (2024-05-30T16:32:31Z)
Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文参考訳（メタデータ） (2023-12-04T01:32:42Z)
Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs [51.98400002538092]
本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
論文参考訳（メタデータ） (2023-08-25T15:25:57Z)
Learning Nonautonomous Systems via Dynamic Mode Decomposition [0.0]
動的モード分解(DMD)に基づく時間依存入力を持つ未知の非線形力学系に対するデータ駆動学習手法を提案する。時間依存クープマン演算子を非正則系に近似することの難しさを回避するため、修正されたシステムは元の非正則系の近似として用いられる。
論文参考訳（メタデータ） (2023-06-27T16:58:26Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Physics-Informed Neural Networks for Material Model Calibration from Full-Field Displacement Data [0.0]
本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
論文参考訳（メタデータ） (2022-12-15T11:01:32Z)
$Φ$-DVAE: Physics-Informed Dynamical Variational Autoencoders for Unstructured Data Assimilation [3.2873782624127843]
物理インフォームドな動的変分オートエンコーダ(Phi$-DVAE)を開発し、様々なデータストリームを時間進化物理系に埋め込む。我々の手法は、非構造化データを潜在力学系に同化するために、潜在状態空間モデルのための標準的な非線形フィルタとVOEを組み合わせたものである。変分ベイズフレームワークは、符号化、潜時状態、未知のシステムパラメータの合同推定に使用される。
論文参考訳（メタデータ） (2022-09-30T17:34:48Z)
Performance of teleportation-based error correction circuits for bosonic codes with noisy measurements [58.720142291102135]
テレポーテーションに基づく誤り訂正回路を用いて、回転対称符号の誤り訂正能力を解析する。マイクロ波光学における現在達成可能な測定効率により, ボソニック回転符号の破壊ポテンシャルは著しく低下することが判明した。
論文参考訳（メタデータ） (2021-08-02T16:12:13Z)
Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文参考訳（メタデータ） (2021-02-15T19:56:48Z)
'Place-cell' emergence and learning of invariant data with restricted Boltzmann machines: breaking and dynamical restoration of continuous symmetries in the weight space [0.0]
本稿では,表現学習のためのニューラルネットワークパラダイムである拘束ボルツマンマシン(RBM)の学習力学について検討する。ネットワーク重みのランダムな構成から学習が進むにつれて、対称性を破る現象の存在が示される。この対称性を破る現象は、トレーニングに利用できるデータの量がいくつかの臨界値を超える場合にのみ起こる。
論文参考訳（メタデータ） (2019-12-30T14:37:14Z)

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。