Fugu-MT 論文翻訳(概要): T-METASET: Task-Aware Generation of Metamaterial Datasets by Diversity-Based Active Learning

論文の概要: T-METASET: Task-Aware Generation of Metamaterial Datasets by Diversity-Based Active Learning

arxiv url: http://arxiv.org/abs/2202.10565v1
Date: Mon, 21 Feb 2022 22:46:49 GMT
ステータス: 処理完了
システム内更新日: 2022-02-24 06:47:16.923807
Title: T-METASET: Task-Aware Generation of Metamaterial Datasets by Diversity-Based Active Learning
Title（参考訳）: T-METASET:多様性に基づくアクティブラーニングによるメタマテリアルデータセットのタスク認識生成
Authors: Doksoo Lee, Yu-Chin Chan, Wei (Wayne) Chen, Liwei Wang, Anton van Beek, Wei Chen
Abstract要約: タスク対応データセット生成のためのインテリジェントなデータ取得フレームワークであるt-METASETを提案する。提案するフレームワークを,汎用性,タスク認識性,カスタマイズ可能な3つのシナリオで検証する。
参考スコア（独自算出の注目度）: 14.668178146934588
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Inspired by the recent success of deep learning in diverse domains, data-driven metamaterials design has emerged as a compelling design paradigm to unlock the potential of multiscale architecture. However, existing model-centric approaches lack principled methodologies dedicated to high-quality data generation. Resorting to space-filling design in shape descriptor space, existing metamaterial datasets suffer from property distributions that are either highly imbalanced or at odds with design tasks of interest. To this end, we propose t-METASET: an intelligent data acquisition framework for task-aware dataset generation. We seek a solution to a commonplace yet frequently overlooked scenario at early design stages: when a massive ($~\sim O(10^4)$) shape library has been prepared with no properties evaluated. The key idea is to exploit a data-driven shape descriptor learned from generative models, fit a sparse regressor as the start-up agent, and leverage diversity-related metrics to drive data acquisition to areas that help designers fulfill design goals. We validate the proposed framework in three hypothetical deployment scenarios, which encompass general use, task-aware use, and tailorable use. Two large-scale shape-only mechanical metamaterial datasets are used as test datasets. The results demonstrate that t-METASET can incrementally grow task-aware datasets. Applicable to general design representations, t-METASET can boost future advancements of not only metamaterials but data-driven design in other domains.
Abstract（参考訳）: さまざまな領域におけるディープラーニングの成功に触発されて、データ駆動メタマテリアルデザインは、マルチスケールアーキテクチャの可能性を解き放つための魅力的な設計パラダイムとして登場した。しかし、既存のモデル中心のアプローチは、高品質なデータ生成専用の原則的な方法論を欠いている。形状記述子空間における空間充填設計に代えて、既存のメタマテリアルデータセットは、非常に不均衡な特性分布や、興味のある設計課題に反する性質分布に悩まされる。この目的のために,タスク対応データセット生成のためのインテリジェントなデータ取得フレームワークであるt-METASETを提案する。初期の設計段階ではよく見落とされがちなシナリオに対する解決策を模索する: 巨大な(~\sim O(10^4)$)形状ライブラリが、プロパティを評価せずに準備されたとき。鍵となるアイデアは、生成モデルから学んだデータ駆動型形状記述子を活用し、スパース回帰子をスタートアップエージェントとして適合させ、多様性に関連するメトリクスを活用して、デザイナが設計目標を達成するのに役立つ領域にデータを取得することである。提案するフレームワークを,汎用性,タスク認識性,カスタマイズ可能な3つのシナリオで検証する。 2つの大規模形状のみのメカニカルメタマテリアルデータセットがテストデータセットとして使用される。その結果、t-METASETはタスク認識データセットを漸進的に成長させることができることがわかった。一般的な設計表現に適用可能なt-METASETは、メタマテリアルだけでなく、他のドメインにおけるデータ駆動設計の今後の進歩を促進することができる。

関連論文リスト

Metadata-based Data Exploration with Retrieval-Augmented Generation for Large Language Models [3.7685718201378746]
本研究では、メタデータに基づくデータ発見を強化するために、レトリーバル拡張生成(RAG)という形式を用いた新しいデータ探索アーキテクチャを提案する。提案フレームワークは異種データソース間の意味的類似性を評価するための新しい手法を提供する。
論文参考訳（メタデータ） (2024-10-05T17:11:37Z)
Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文参考訳（メタデータ） (2024-05-28T11:30:19Z)
Rethinking of Encoder-based Warm-start Methods in Hyperparameter Optimization [0.0]
本研究では,岩田具治と熊谷篤俊をモデルとした表型データを用いた表現学習手法を提案する。一般表現は,要求が抽出中に明示的に考慮されないメタタスクでは十分でないことを示す。
論文参考訳（メタデータ） (2024-03-07T18:16:29Z)
Learning to Extract Structured Entities Using Language Models [52.281701191329]
機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
論文参考訳（メタデータ） (2024-02-06T22:15:09Z)
LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文参考訳（メタデータ） (2024-02-06T19:18:04Z)
Data-Driven Design for Metamaterials and Multiscale Systems: A Review [15.736695579155047]
メタマテリアル(Metamaterials)は、自然界にある物質を超える効果的な物質パラメータを示すために設計された人工材料である。メタマテリアルの可能性を最大限に発揮できる魅力的なパラダイムとして、データ駆動設計(Data-driven Design)が生まれています。我々は、データ駆動モジュールに関する既存の研究を組織し、データ取得、機械学習ベースの単位セル設計、データ駆動型マルチスケール最適化を含む。
論文参考訳（メタデータ） (2023-07-01T22:36:40Z)
Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文参考訳（メタデータ） (2023-06-20T14:21:58Z)
infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
論文参考訳（メタデータ） (2023-05-30T18:12:48Z)
TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文参考訳（メタデータ） (2022-08-16T20:46:08Z)
METASET: Exploring Shape and Property Spaces for Data-Driven Metamaterials Design [20.272835126269374]
より小さいが多様な単細胞が、スケーラブルな検索と非バイアス学習につながることを示す。我々のフレキシブルな方法は、採用される計量によらず、ユニークな部分集合を蒸留することができる。私たちの多様なサブセットは、デザイナが使用するために公開されています。
論文参考訳（メタデータ） (2020-06-01T03:36:37Z)

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。