論文の概要: Unsupervised physics-informed disentanglement of multimodal data for
high-throughput scientific discovery
- arxiv url: http://arxiv.org/abs/2202.03242v1
- Date: Mon, 7 Feb 2022 14:47:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 20:24:48.923788
- Title: Unsupervised physics-informed disentanglement of multimodal data for
high-throughput scientific discovery
- Title(参考訳): 高スループット科学的発見のための教師なし物理インフォームドマルチモーダルデータの歪み
- Authors: Nathaniel Trask, Carianne Martinez, Kookjin Lee, Brad Boyce
- Abstract要約: 物理インフォームドマルチモーダルオートエンコーダ(PIMA)を紹介する。
PIMAはマルチモーダルな科学データセットで共有情報を発見するための変分推論フレームワークである。
金属添加物製造からの格子状メタマテリアルのデータセットは正確なクロスモーダル推論を示す。
- 参考スコア(独自算出の注目度): 4.923937591056569
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: We introduce physics-informed multimodal autoencoders (PIMA) - a variational
inference framework for discovering shared information in multimodal scientific
datasets representative of high-throughput testing. Individual modalities are
embedded into a shared latent space and fused through a product of experts
formulation, enabling a Gaussian mixture prior to identify shared features.
Sampling from clusters allows cross-modal generative modeling, with a mixture
of expert decoder imposing inductive biases encoding prior scientific knowledge
and imparting structured disentanglement of the latent space. This approach
enables discovery of fingerprints which may be detected in high-dimensional
heterogeneous datasets, avoiding traditional bottlenecks related to
high-fidelity measurement and characterization. Motivated by accelerated
co-design and optimization of materials manufacturing processes, a dataset of
lattice metamaterials from metal additive manufacturing demonstrates accurate
cross modal inference between images of mesoscale topology and mechanical
stress-strain response.
- Abstract(参考訳): 物理インフォームド・マルチモーダル・オートエンコーダ (PIMA) - 高スループットテストを表す多モーダル科学データセットにおける共有情報を発見するための変分推論フレームワーク。
個々のモダリティは共有潜在空間に埋め込まれ、専門家の定式化の積を通して融合し、共有特徴を特定する前にガウス混合を可能にする。
クラスタからのサンプリングは、事前の科学的知識をエンコードする帰納的バイアスを課すエキスパートデコーダと、潜在空間の構造化された不連続を付与する混合で、クロスモーダル生成モデルを可能にする。
このアプローチは、高次元の不均一なデータセットで検出される可能性のある指紋の発見を可能にする。
材料製造プロセスの加速共設計と最適化により、金属添加物製造からの格子メタマテリアルのデータセットは、メソスケールトポロジーの画像と機械的応力-ひずみ応答の間の正確なクロスモーダル推論を示す。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - AI-driven emergence of frequency information non-uniform distribution
via THz metasurface spectrum prediction [36.84046475101662]
我々は,AI予測に基づく準曲面のテラヘルツスペクトル変調効果の予測に関する研究中に,異なる周波数に関連する未報告の情報特性を明らかにした。
このアプローチは、既存のデータセットの利用を効果的に最適化し、人工知能、化学、複合材料設計、バイオメディシンなどの分野における学際的な研究と応用の道を開く。
論文 参考訳(メタデータ) (2023-12-05T01:48:58Z) - HEALNet -- Hybrid Multi-Modal Fusion for Heterogeneous Biomedical Data [12.109041184519281]
本稿では, フレキシブルなマルチモーダル融合アーキテクチャであるHybrid Early-fusion Attention Learning Network (HEALNet)を提案する。
The Cancer Genome Atlas (TCGA) の4つの癌コホートにおける全スライド画像と多モードデータの多モード生存解析を行った。
HEALNetは最先端のパフォーマンスを実現し、ユニモーダルベースラインと最近のマルチモーダルベースラインの両方を大幅に改善した。
論文 参考訳(メタデータ) (2023-11-15T17:06:26Z) - Causal disentanglement of multimodal data [1.589226862328831]
因果関係を持つ重要な特徴を発見するために,マルチモーダルデータと既知の物理を利用する因果表現学習アルゴリズム(causalPIMA)を導入する。
本研究は,完全教師なし環境下で重要な特徴を同時に発見しながら,解釈可能な因果構造を学習する能力を示すものである。
論文 参考訳(メタデータ) (2023-10-27T20:30:11Z) - Exploiting Modality-Specific Features For Multi-Modal Manipulation
Detection And Grounding [54.49214267905562]
マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。
本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。
本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
論文 参考訳(メタデータ) (2023-09-22T06:55:41Z) - Disentanglement via Latent Quantization [60.37109712033694]
本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。
本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
論文 参考訳(メタデータ) (2023-05-28T06:30:29Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - Scalable Gaussian Processes for Data-Driven Design using Big Data with
Categorical Factors [14.337297795182181]
ガウス過程(GP)は、大きなデータセット、カテゴリ入力、および複数の応答を調節するのに困難である。
本稿では,変分推論によって得られた潜伏変数と関数を用いて,上記の課題を同時に解決するGPモデルを提案する。
本手法は三元系酸化物材料の機械学習と多スケール対応機構のトポロジー最適化に有用である。
論文 参考訳(メタデータ) (2021-06-26T02:17:23Z) - Characterizing the Latent Space of Molecular Deep Generative Models with
Persistent Homology Metrics [21.95240820041655]
変分オート(VAE)は、エンコーダとデコーダのネットワークペアをトレーニングデータ分散の再構築のために訓練する生成モデルである。
本研究では, 深部生成モデルの潜伏空間が, 構造的および化学的特徴をエンコードできるかどうかを計測する手法を提案する。
論文 参考訳(メタデータ) (2020-10-18T13:33:02Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳(メタデータ) (2020-05-27T13:32:10Z) - Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。
MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。
本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文 参考訳(メタデータ) (2020-02-17T19:06:05Z)
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。