論文の概要: On generating parametrised structural data using conditional generative
adversarial networks
- arxiv url: http://arxiv.org/abs/2203.01641v1
- Date: Thu, 3 Mar 2022 11:02:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 16:04:46.392735
- Title: On generating parametrised structural data using conditional generative
adversarial networks
- Title(参考訳): 条件付き生成逆数ネットワークを用いたパラメトリック構造データの生成について
- Authors: G. Tsialiamanis, D.J. Wagg, N. Dervilis, K. Worden
- Abstract要約: 我々は,GANアルゴリズムの変形を利用して人工データを生成する。
cGANは、ある範囲内の温度のいくつかの離散値のデータに基づいて訓練される。
この範囲のすべての温度について、十分な精度でデータを生成することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A powerful approach, and one of the most common ones in structural health
monitoring (SHM), is to use data-driven models to make predictions and
inferences about structures and their condition. Such methods almost
exclusively rely on the quality of the data. Within the SHM discipline, data do
not always suffice to build models with satisfactory accuracy for given tasks.
Even worse, data may be completely missing from one's dataset, regarding the
behaviour of a structure under different environmental conditions. In the
current work, with a view to confronting such issues, the generation of
artificial data using a variation of the generative adversarial network (GAN)
algorithm, is used. The aforementioned variation is that of the conditional GAN
or cGAN. The algorithm is not only used to generate artificial data, but also
to learn transformations of manifolds according to some known parameters.
Assuming that the structure's response is represented by points in a manifold,
part of the space will be formed due to variations in external conditions
affecting the structure. This idea proves efficient in SHM, as it is exploited
to generate structural data for specific values of environmental coefficients.
The scheme is applied here on a simulated structure which operates under
different temperature and humidity conditions. The cGAN is trained on data for
some discrete values of the temperature within some range, and is able to
generate data for every temperature in this range with satisfactory accuracy.
The novelty, compared to classic regression in similar problems, is that the
cGAN allows unknown environmental parameters to affect the structure and can
generate whole manifolds of data for every value of the known parameters, while
the unknown ones vary within the generated manifolds.
- Abstract(参考訳): 構造健康モニタリング(SHM)において最も一般的なアプローチは、データ駆動モデルを使用して構造とその状態に関する予測と推測を行うことである。
このような方法はほとんどデータの品質に依存します。
SHMの規律の中では、データは与えられたタスクに十分な精度でモデルを構築するのに必ずしも十分とは限らない。
さらに悪いことに、異なる環境条件下での構造物の挙動に関するデータがデータセットから完全に欠落している可能性がある。
本研究では,このような問題に対処する目的で,GAN(Generative Adversarial Network)アルゴリズムのバリエーションを用いて人工データを生成する。
上記の変分は条件付きGANまたはcGANの変分である。
このアルゴリズムは人工データを生成するためにだけでなく、既知のパラメータに従って多様体の変換を学ぶためにも用いられる。
構造の応答が多様体内の点によって表されると仮定すると、空間の一部は構造に影響する外部条件の変化によって形成される。
このアイデアは、環境係数の特定の値の構造データを生成するために利用されるため、shmにおいて効率的であることが証明される。
このスキームは、異なる温度と湿度条件下で作動する模擬構造体に適用される。
cGANは、ある範囲内の温度のいくつかの離散値のデータに基づいて訓練され、この範囲のすべての温度のデータを生成することができる。
同様の問題における古典的回帰と比較すると、cGANは未知の環境パラメータが構造に影響を与えることを許容し、既知のパラメータの全ての値に対してすべての多様体を生成することができる。
関連論文リスト
- Adaptive Learning of the Latent Space of Wasserstein Generative Adversarial Networks [7.958528596692594]
我々は、潜伏ワッサーシュタインガン(LWGAN)と呼ばれる新しい枠組みを提案する。
ワッサーシュタイン自己エンコーダとワッサーシュタイン GANを融合させ、データ多様体の内在次元を適応的に学習できるようにする。
我々は,LWGANが複数のシナリオにおいて,正しい固有次元を識別可能であることを示す。
論文 参考訳(メタデータ) (2024-09-27T01:25:22Z) - An improved tabular data generator with VAE-GMM integration [9.4491536689161]
本稿では,現在のアプローチの限界に対処する新しい変分オートエンコーダ(VAE)モデルを提案する。
本手法は,TVAEモデルにインスパイアされたベイジアン・ガウス混合モデル(BGM)をVAEアーキテクチャに組み込む。
我々は,2つの医療関連データセットを含む混合データ型を持つ実世界の3つのデータセットに対して,我々のモデルを徹底的に検証する。
論文 参考訳(メタデータ) (2024-04-12T12:31:06Z) - History Matching for Geological Carbon Storage using Data-Space
Inversion with Spatio-Temporal Data Parameterization [0.0]
データ空間インバージョン(DSI)では、履歴にマッチした興味の量は、後続のジオモデルを構築することなく直接推測される。
これは、ベイズの設定内でのO(1000)事前シミュレーション結果、データパラメータ化、および後続サンプリングのセットを用いて効率よく達成される。
新たなパラメータ化では、次元縮小のための対向オートエンコーダ(AAE)と畳み込み長短期メモリ(convLSTM)ネットワークを使用して、圧力場と飽和場の空間分布と時間的進化を表す。
論文 参考訳(メタデータ) (2023-10-05T00:50:06Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Differentiable Invariant Causal Discovery [106.87950048845308]
観測データから因果構造を学ぶことは、機械学習の基本的な課題である。
本稿では,不特定変分因果解法(DICD)を提案する。
合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
論文 参考訳(メタデータ) (2022-05-31T09:29:07Z) - Encoding Causal Macrovariables [0.0]
多くの科学分野において、よりきめ細かい系の力学を説明・予測するために粗粒因果モデルが用いられる。
この研究は、マイクロステート間の情報ボトルネックとして因果マクロ変数の新たな特徴化にインスパイアされた、新しいアルゴリズム的アプローチを導入する。
論文 参考訳(メタデータ) (2021-11-29T17:25:11Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。
本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。
実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文 参考訳(メタデータ) (2021-07-07T11:43:59Z) - Understanding Overparameterization in Generative Adversarial Networks [56.57403335510056]
generative adversarial network (gans) は、非凹型ミニマックス最適化問題を訓練するために用いられる。
ある理論は、グローバル最適解に対する勾配降下 (gd) の重要性を示している。
ニューラルネットワークジェネレータと線形判別器を併用した多層GANにおいて、GDAは、基礎となる非凹面min-max問題の大域的なサドル点に収束することを示す。
論文 参考訳(メタデータ) (2021-04-12T16:23:37Z) - Copula Flows for Synthetic Data Generation [0.5801044612920815]
確率モデルを合成データ生成器として用いることを提案する。
密度推定の手法として,シミュレーションと実データの両方をベンチマークした。
論文 参考訳(メタデータ) (2021-01-03T10:06:23Z) - Partially Conditioned Generative Adversarial Networks [75.08725392017698]
Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。
条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。
本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
論文 参考訳(メタデータ) (2020-07-06T15:59:28Z)
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。