Fugu-MT 論文翻訳(概要): Geometric Priors for Scientific Generative Models in Inertial Confinement Fusion

論文の概要: Geometric Priors for Scientific Generative Models in Inertial Confinement Fusion

arxiv url: http://arxiv.org/abs/2111.12798v1
Date: Wed, 24 Nov 2021 21:06:36 GMT
ステータス: 処理完了
システム内更新日: 2021-12-05 03:29:11.629496
Title: Geometric Priors for Scientific Generative Models in Inertial Confinement Fusion
Title（参考訳）: 慣性凝縮核融合における科学生成モデルの幾何学的優先順位
Authors: Ankita Shukla, Rushil Anirudh, Eugene Kur, Jayaraman J. Thiagarajan, Peer-Timo Bremer, Brian K. Spears, Tammy Ma, Pavan Turaga
Abstract要約: We developed a Wasserstein autoencoder (WAE) with a hyperspherical prior for multimodal data。我々は,データセットのモーダル性間の既知の関係を科学的制約として利用し,提案モデルの異なる特性について検討する。
参考スコア（独自算出の注目度）: 32.1427322437781
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we develop a Wasserstein autoencoder (WAE) with a hyperspherical prior for multimodal data in the application of inertial confinement fusion. Unlike a typical hyperspherical generative model that requires computationally inefficient sampling from distributions like the von Mis Fisher, we sample from a normal distribution followed by a projection layer before the generator. Finally, to determine the validity of the generated samples, we exploit a known relationship between the modalities in the dataset as a scientific constraint, and study different properties of the proposed model.
Abstract（参考訳）: 本稿では,慣性閉じ込め融合の応用において,マルチモーダルデータに先行する超球面を持つwasserstein autoencoder (wae) を開発した。フォン・ミス・フィッシャーのような分布から計算効率の悪いサンプリングを必要とする典型的な超球面生成モデルとは異なり、通常の分布から、生成器の前に投影層が続く。最後に, 得られたサンプルの妥当性を判定するために, データセットのモダリティ間の既知の関係を科学的制約として利用し, 提案モデルの異なる特性について検討する。

関連論文リスト

A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [6.647819824559201]
本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
論文参考訳（メタデータ） (2024-10-02T20:46:21Z)
Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文参考訳（メタデータ） (2024-02-19T02:08:09Z)
Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文参考訳（メタデータ） (2023-07-11T16:51:38Z)
Learning Joint Latent Space EBM Prior Model for Multi-layer Generator [44.4434704520236]
多層ジェネレータモデルの学習における基礎的問題について検討する。本稿では,全層にまたがる待ち行列空間上のエネルギーモデル (EBM) を提案する。実験により、学習したモデルが高品質な画像を生成する際に表現できることが実証された。
論文参考訳（メタデータ） (2023-06-10T00:27:37Z)
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)
Generating High Fidelity Synthetic Data via Coreset selection and Entropic Regularization [15.866662428675054]
本稿では,コアセット選択法とエントロピー正規化法を組み合わせて,最も高い忠実度サンプルを選択することを提案する。半教師付き学習シナリオでは、ラベル付きデータセットを増大させ、選択したサンプルのサブセットを追加することにより、精度が向上することを示す。
論文参考訳（メタデータ） (2023-01-31T22:59:41Z)
An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文参考訳（メタデータ） (2022-04-19T10:51:00Z)
Generative models and Bayesian inversion using Laplace approximation [0.3670422696827525]
近年, 生成モデルを用いて高情報化の先行問題として逆問題の解法が提案されている。導出ベイズ推定は、生成モデルの低次元多様体を用いたアプローチとは対照的に、一貫したものであることを示す。
論文参考訳（メタデータ） (2022-03-15T10:05:43Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。