論文の概要: SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred from Vision

• arxiv url: http://arxiv.org/abs/2111.05986v1
• Date: Wed, 10 Nov 2021 23:26:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-12 13:50:06.901861
• Title: SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred from Vision
• Title（参考訳）: SyMetric: 視覚から推定される学習ハミルトンダイナミクスの質の測定
• Authors: Irina Higgins, Peter Wirnsberger, Andrew Jaegle, Aleksandar Botev
• Abstract要約: 最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。 既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。 我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
• 参考スコア（独自算出の注目度）: 73.26414295633846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A recently proposed class of models attempts to learn latent dynamics from high-dimensional observations, like images, using priors informed by Hamiltonian mechanics. While these models have important potential applications in areas like robotics or autonomous driving, there is currently no good way to evaluate their performance: existing methods primarily rely on image reconstruction quality, which does not always reflect the quality of the learnt latent dynamics. In this work, we empirically highlight the problems with the existing measures and develop a set of new measures, including a binary indicator of whether the underlying Hamiltonian dynamics have been faithfully captured, which we call Symplecticity Metric or SyMetric. Our measures take advantage of the known properties of Hamiltonian dynamics and are more discriminative of the model's ability to capture the underlying dynamics than reconstruction error. Using SyMetric, we identify a set of architectural choices that significantly improve the performance of a previously proposed model for inferring latent dynamics from pixels, the Hamiltonian Generative Network (HGN). Unlike the original HGN, the new HGN++ is able to discover an interpretable phase space with physically meaningful latents on some datasets. Furthermore, it is stable for significantly longer rollouts on a diverse range of 13 datasets, producing rollouts of essentially infinite length both forward and backwards in time with no degradation in quality on a subset of the datasets.
• Abstract（参考訳）: 最近提案されたモデルクラスでは、ハミルトニアン力学による事前情報を用いて、画像のような高次元の観測から潜在力学を学ぶことを試みている。 これらのモデルは、ロボティクスや自律運転のような分野において重要な可能性を持っているが、その性能を評価する良い方法はない。既存の手法は主に画像再構成の品質に依存しており、学習された潜伏するダイナミクスの質を常に反映しているわけではない。 本研究は,既存の尺度の問題点を実証的に強調し,基礎となるハミルトン力学が忠実に捕捉されたかどうかの2値指標を含む,一連の新しい尺度を開発し,Symphlecticity Metric または SyMetric と呼ぶ。 本手法は,ハミルトニアンダイナミクスの既知の特性を活かし,復元誤差よりも基礎となるダイナミクスを捉えるモデルの能力をより識別するものである。 我々は,SyMetricを用いて,画素から潜伏ダイナミクスを推定するための先行提案モデル(HGN)の性能を大幅に向上させるアーキテクチャ選択の集合を同定する。 オリジナルのHGNとは異なり、新しいHGN++は、いくつかのデータセットに物理的に意味のあるラテントを持つ解釈可能な位相空間を発見することができる。 さらに、13のデータセットのさまざまな範囲でかなり長いロールアウトに対して安定であり、データセットのサブセットの品質が低下することなく、本質的に無限の長さのロールアウトを生成する。

関連論文リスト

• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 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。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• 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)
• Understanding Self-attention Mechanism via Dynamical System Perspective [58.024376086269015]
  SAM(Self-attention mechanism)は、人工知能の様々な分野で広く使われている。 常微分方程式(ODE)の高精度解における固有剛性現象(SP)は,高性能ニューラルネットワーク(NN)にも広く存在することを示す。 SAMは、本質的なSPを測定するためのモデルの表現能力を高めることができる剛性対応のステップサイズ適応器でもあることを示す。
  論文  参考訳（メタデータ） (2023-08-19T08:17:41Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• 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)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Deep learning and differential equations for modeling changes in individual-level latent dynamics between observation periods [0.0]
  本稿では,異なる微分方程式パラメータの集合が観測サブ周期で許容される拡張を提案する。 アプリケーション内のレジリエンスの個々の動的モデルから予測対象を導出する。 提案手法では,動的モデルの個々のレベルパラメータの同定に成功し,予測子を安定して選択できる。
  論文  参考訳（メタデータ） (2022-02-15T13:53:42Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• A unified framework for Hamiltonian deep neural networks [3.0934684265555052]
  ディープニューラルネットワーク(DNN)のトレーニングは、重み付け最適化中に勾配を消耗させるため、難しい場合がある。 ハミルトン系の時間離散化から派生したDNNのクラスを提案する。 提案されたハミルトンのフレームワークは、限界的に安定なODEにインスパイアされた既存のネットワークを包含する以外に、新しいより表現力のあるアーキテクチャを導出することができる。
  論文  参考訳（メタデータ） (2021-04-27T13:20:24Z)
• Heteroscedastic Uncertainty for Robust Generative Latent Dynamics [7.107159120605662]
  本稿では,潜在状態表現と関連するダイナミクスを協調的に学習する手法を提案する。 我々の主な貢献として、我々の表現がヘテロスセダスティックあるいは入力固有の不確実性の概念を捉えることができるかを説明します。 画像に基づく2つのタスクの予測と制御実験の結果を示す。
  論文  参考訳（メタデータ） (2020-08-18T21:04:33Z)

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。