論文の概要: Concept Activation Vectors for Generating User-Defined 3D Shapes

• arxiv url: http://arxiv.org/abs/2205.02102v1
• Date: Fri, 29 Apr 2022 13:09:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-08 23:10:46.167669
• Title: Concept Activation Vectors for Generating User-Defined 3D Shapes
• Title（参考訳）: ユーザ定義3次元形状生成のための概念活性化ベクトル
• Authors: Stefan Druc, Aditya Balu, Peter Wooldridge, Adarsh Krishnamurthy, Soumik Sarkar
• Abstract要約: CAD(Computer-Aided Design)における3次元幾何学的深層学習モデルの解釈可能性について検討する。 ディープラーニングアーキテクチャを用いて高次元の3次元形状をベクトル化潜在表現に符号化し、任意の概念を記述する。
• 参考スコア（独自算出の注目度）: 11.325580593182414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We explore the interpretability of 3D geometric deep learning models in the context of Computer-Aided Design (CAD). The field of parametric CAD can be limited by the difficulty of expressing high-level design concepts in terms of a few numeric parameters. In this paper, we use a deep learning architectures to encode high dimensional 3D shapes into a vectorized latent representation that can be used to describe arbitrary concepts. Specifically, we train a simple auto-encoder to parameterize a dataset of complex shapes. To understand the latent encoded space, we use the idea of Concept Activation Vectors (CAV) to reinterpret the latent space in terms of user-defined concepts. This allows modification of a reference design to exhibit more or fewer characteristics of a chosen concept or group of concepts. We also test the statistical significance of the identified concepts and determine the sensitivity of a physical quantity of interest across the dataset.
• Abstract（参考訳）: CAD(Computer-Aided Design)における3次元幾何学的深層学習モデルの解釈可能性について検討する。 パラメトリックCADの分野は、数個の数値パラメータで高レベルな設計概念を表現することの難しさによって制限することができる。 本稿では,高次元の3次元形状を任意の概念を記述可能なベクトル化潜在表現に符号化するために,ディープラーニングアーキテクチャを用いる。 具体的には、複雑な形状のデータセットをパラメータ化するために、単純なオートエンコーダを訓練する。 潜在符号化空間を理解するために、我々は概念活性化ベクトル(cav)という概念を用いて、ユーザ定義の概念を用いて潜在空間を再解釈する。 これにより、参照設計の変更は、選択された概念や概念群の特徴を多かれ少なかれ示すことができる。 また、特定された概念の統計的意義をテストし、データセット全体の関心の物理量の感度を判定する。

関連論文リスト

• Discover-then-Name: Task-Agnostic Concept Bottlenecks via Automated Concept Discovery [52.498055901649025]
  ディープニューラルネットワークの「ブラックボックス」問題に対処するために、概念ボトルネックモデル(CBM)が提案されている。 本稿では,典型的なパラダイムを逆転させる新しいCBMアプローチであるDiscover-then-Name-CBM(DN-CBM)を提案する。 我々の概念抽出戦略は、下流のタスクに非依存であり、既にそのモデルに知られている概念を使用するため、効率的である。
  論文  参考訳（メタデータ） (2024-07-19T17:50:11Z)
• Knowledge graphs for empirical concept retrieval [1.06378109904813]
  概念に基づく説明可能なAIは、あるユーザの前提における複雑なモデルの理解を改善するツールとして期待されている。 本稿では,テキスト領域と画像領域の両方でユーザ主導のデータ収集を行うワークフローを提案する。 我々は,概念アクティベーションベクトル(CAV)と概念アクティベーション領域(CAR)の2つの概念ベース説明可能性手法を用いて,検索した概念データセットをテストする。
  論文  参考訳（メタデータ） (2024-04-10T13:47:22Z)
• GTA: A Geometry-Aware Attention Mechanism for Multi-View Transformers [63.41460219156508]
  既存の位置符号化方式は3次元視覚タスクに最適であると主張する。 トークンの幾何学的構造を相対変換として符号化する幾何学的注意機構を提案する。 我々は、Geometric Transform Attention (GTA) と呼ばれる、最先端のトランスフォーマーベースNVSモデルの学習効率と性能を向上させることに留意している。
  論文  参考訳（メタデータ） (2023-10-16T13:16:09Z)
• Discovering Design Concepts for CAD Sketches [13.140310747416983]
  生スケッチによる帰納的帰納的手法によりモジュラーの概念を発見する学習ベースアプローチを提案する。 大規模CADスケッチデータセットを用いた設計概念学習を実演し,その設計意図の解釈と自動補完への応用を示す。
  論文  参考訳（メタデータ） (2022-10-26T03:53:33Z)
• 3D Concept Grounding on Neural Fields [99.33215488324238]
  既存の視覚的推論手法は、典型的には、2Dセグメンテーションマスクを抽出するために教師付き手法を用いる。 人間は、画像の3D表現の基盤となる概念を基盤にすることができる。 我々は,ニューラルネットワークの連続的,微分可能な性質を利用して概念をセグメント化し,学習することを提案する。
  論文  参考訳（メタデータ） (2022-07-13T17:59:33Z)
• Concept Identification for Complex Engineering Datasets [0.0]
  データセットにおける概念の定義に対する客観的な価値を提供する新しい概念品質尺度が提案されている。 本研究は,これらの概念を用いて,各概念の特徴を示すデータセットの古参代表を選択できることを実証する。
  論文  参考訳（メタデータ） (2022-06-09T09:39:46Z)
• A Minimalist Dataset for Systematic Generalization of Perception, Syntax, and Semantics [131.93113552146195]
  我々は,機械が一般化可能な概念を学習する能力を調べるため,新しいデータセットであるHINT(Hand written arithmetic with INTegers)を提案する。 HINTでは、イメージなどの生信号から概念がどのように認識されるかを学ぶことが機械のタスクである。 我々は、RNN、Transformer、GPT-3など、様々なシーケンス・ツー・シーケンスモデルで広範囲に実験を行った。
  論文  参考訳（メタデータ） (2021-03-02T01:32:54Z)
• Interpretable Visual Reasoning via Induced Symbolic Space [75.95241948390472]
  視覚的推論における概念誘導の問題,すなわち,画像に関連付けられた質問応答対から概念とその階層的関係を同定する。 我々はまず,オブジェクトレベルの視覚的特徴を持つ視覚的推論タスクを実行するために,オブジェクト指向合成注意モデル(OCCAM)という新しいフレームワークを設計する。 そこで我々は,対象の視覚的特徴と質問語の間の注意パターンから手がかりを用いて,対象と関係の概念を誘導する手法を考案した。
  論文  参考訳（メタデータ） (2020-11-23T18:21:49Z)
• Analyzing the Capacity of Distributed Vector Representations to Encode Spatial Information [0.0]
  空間情報をエンコードする共起力を含む単純な重ね合わせとより複雑な構造表現に焦点をあてる。 2つの実験で、1つのベクトルに効率的に格納できる概念の数について上限を求める。
  論文  参考訳（メタデータ） (2020-09-30T18:49:29Z)
• 3D Sketch-aware Semantic Scene Completion via Semi-supervised Structure Prior [50.73148041205675]
  セマンティック・シーン・コンプリート(SSC)タスクの目標は、単一視点で観察することで、ボリューム占有率とシーン内のオブジェクトの意味ラベルの完全な3Dボクセル表現を同時に予測することである。 低解像度のボクセル表現で深度情報を埋め込む新しい幾何学的手法を提案する。 提案手法は,SSCフレームワークからの深度特徴学習よりも有効である。
  論文  参考訳（メタデータ） (2020-03-31T09:33:46Z)

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。