論文の概要: Evaluating the Adversarial Robustness for Fourier Neural Operators

• arxiv url: http://arxiv.org/abs/2204.04259v1
• Date: Fri, 8 Apr 2022 19:19:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 14:30:39.568474
• Title: Evaluating the Adversarial Robustness for Fourier Neural Operators
• Title（参考訳）: フーリエニューラル演算子の対向ロバスト性評価
• Authors: Abolaji D. Adesoji and Pin-Yu Chen
• Abstract要約: フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。 我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。 以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
• 参考スコア（独自算出の注目度）: 78.36413169647408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, Machine-Learning (ML)-driven approaches have been widely used in scientific discovery domains. Among them, the Fourier Neural Operator (FNO) was the first to simulate turbulent flow with zero-shot super-resolution and superior accuracy, which significantly improves the speed when compared to traditional partial differential equation (PDE) solvers. To inspect the trustworthiness, we provide the first study on the adversarial robustness of scientific discovery models by generating adversarial examples for FNO, based on norm-bounded data input perturbations. Evaluated on the mean squared error between the FNO model's output and the PDE solver's output, our results show that the model's robustness degrades rapidly with increasing perturbation levels, particularly in non-simplistic cases like the 2D Darcy and the Navier cases. Our research provides a sensitivity analysis tool and evaluation principles for assessing the adversarial robustness of ML-based scientific discovery models.
• Abstract（参考訳）: 近年、ML(Machine-Learning)によるアプローチは科学的発見領域で広く用いられている。 このうち、フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解法と優れた精度で乱流をシミュレートし、従来の偏微分方程式(PDE)の解法と比較して速度を大幅に改善した。 信頼性を検証するために,FNOの逆例を生成し,標準有界データ入力摂動に基づく科学的発見モデルの逆ロバスト性に関する最初の研究を行った。 FNOモデルの出力とPDEソルバの出力の平均2乗誤差を評価した結果、特に2D Darcy や Navier のような非単純ケースでは、モデルのロバスト性は摂動レベルの増加とともに急速に低下することが示された。 本研究は,MLに基づく科学的発見モデルの対角的堅牢性を評価するための感度解析ツールと評価原理を提供する。

関連論文リスト

• ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks [71.02216400133858]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法において高い期待を得た 以前の研究では、PINNの伝播不良現象が観察された。 本論文は,伝播不良とその根本原因について,初めて公式かつ詳細な研究を行ったものである。
  論文  参考訳（メタデータ） (2025-02-02T13:56:38Z)
• Evidential Physics-Informed Neural Networks [0.0]
  本稿では,エビデンシャル・ディープ・ラーニングの原理に基づいて定式化された物理インフォームド・ニューラル・ニューラルネットワークの新たなクラスを提案する。 1次元および2次元非線形微分方程式を含む逆問題に対して、我々のモデルを適用する方法を示す。
  論文  参考訳（メタデータ） (2025-01-27T10:01:10Z)
• Testing and Improving the Robustness of Amortized Bayesian Inference for Cognitive Models [0.5223954072121659]
  汚染物質観測とアウトリーチは、認知モデルのパラメータを推定する際にしばしば問題を引き起こす。 本研究では,アモルタイズされたベイズ推定を用いたパラメータ推定のロバスト性を検証・改善する。 提案手法は実装が簡単で実用的であり,外乱検出や除去が困難な分野に適用可能である。
  論文  参考訳（メタデータ） (2024-12-29T21:22:24Z)
• High Energy Density Radiative Transfer in the Diffusion Regime with Fourier Neural Operators [0.0]
  フーリエニューラル演算子(FNO)を用いたマーシャック波のモデル化手法を提案する。 本研究では,(1)ハマー・アンド・ローゼン(2003)による広く用いられている解析モデルに基づく解近似への駆動条件と材料特性のマッピングを学習するベースモデルと,(2)より正確な数値解へのマッピングを学習して解析近似の不正確さを補正するモデルである。
  論文  参考訳（メタデータ） (2024-05-07T04:44:59Z)
• Evaluating Uncertainty Quantification approaches for Neural PDEs in scientific applications [0.0]
  この研究は、科学応用におけるフォワード問題と逆問題の両方に対する様々な不確実量化(UQ)アプローチを評価する。 具体的には,ハミルトン・モンテカルロ (HMC) やモンテカルロ・ドロップアウト (MCD) などのベイズ法の有効性を検討する。 この結果から,ニューラルPDEは流れ系を効果的に再構築し,関連する未知パラメータを予測できることが示唆された。
  論文  参考訳（メタデータ） (2023-11-08T04:52:20Z)
• PDE-Refiner: Achieving Accurate Long Rollouts with Neural PDE Solvers [40.097474800631]
  時間依存偏微分方程式(PDE)は、科学や工学においてユビキタスである。 ディープニューラルネットワークに基づくサロゲートへの関心が高まっている。
  論文  参考訳（メタデータ） (2023-08-10T17:53:05Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)
• 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。

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。