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
- LESS: Selecting Influential Data for Targeted Instruction Tuning [69.50855460630105]
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) - A Systematic Survey in Geometric Deep Learning for Structure-based Drug
Design [63.30166298698985]
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。
幾何学的深層学習の最近の進歩は、3次元幾何データの統合と処理に焦点をあてて、構造に基づく薬物設計の分野を大いに進歩させてきた。
論文 参考訳(メタデータ) (2023-06-20T14:21:58Z) - CHORUS: Foundation Models for Unified Data Discovery and Exploration [7.263122361958941]
ファンデーションモデルは、トレーニングとは無関係なさまざまなタスクにおいて、有望なパフォーマンスを示す大きな言語モデルである。
これらのモデルは、データ発見およびデータ探索領域に非常に適用可能であることを示す。
これら3つの課題において,基礎モデルに基づくアプローチがタスク固有のモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-16T03:58:42Z) - 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) - Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product
Retrieval [152.3504607706575]
本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。
まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。
我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
論文 参考訳(メタデータ) (2022-06-17T15:40:45Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳(メタデータ) (2020-12-29T23:43:16Z) - Improving the Performance of Fine-Grain Image Classifiers via Generative
Data Augmentation [0.5161531917413706]
我々は、ロバスト生成アドリアルネットワーク(DAPPER GAN)の熟練した事前学習からデータ拡張を開発する。
DAPPER GANは、トレーニングイメージの新しいビューを自動的に生成するML分析支援ツールである。
本手法をStanford Carsデータセット上で実験的に評価し,車体形状とモデル分類精度の向上を実証した。
論文 参考訳(メタデータ) (2020-08-12T15:29:11Z) - 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。