論文の概要: Generation of non-stationary stochastic fields using Generative
Adversarial Networks with limited training data
- arxiv url: http://arxiv.org/abs/2205.05469v1
- Date: Wed, 11 May 2022 13:09:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-05-12 20:05:17.875668
- Title: Generation of non-stationary stochastic fields using Generative
Adversarial Networks with limited training data
- Title（参考訳）: 訓練データ制限のある生成型逆ネットワークを用いた非定常確率場の生成
- Authors: Alhasan Abdellatif, Ahmed H. Elsheikh, Daniel Busby, Philippe Berthet
- Abstract要約: 本研究では,地質的なチャネル化パターンのデータセットに対してGAN(Generative Adversarial Networks)モデルをトレーニングする際の問題点について検討する。
空間条件間の相関関係を効果的に学習する訓練法を開発した。
我々のモデルは、目標地図と強く相関して、トレーニングサンプル以外の地質学的に証明可能な実現法を生成することができた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the context of generating geological facies conditioned on observed data,
samples corresponding to all possible conditions are not generally available in
the training set and hence the generation of these realizations depends primary
on the generalization capability of the trained generative model. The problem
becomes more complex when applied on non-stationary fields. In this work, we
investigate the problem of training Generative Adversarial Networks (GANs)
models against a dataset of geological channelized patterns that has a few
non-stationary spatial modes and examine the training and self-conditioning
settings that improve the generalization capability at new spatial modes that
were never seen in the given training set. The developed training method
allowed for effective learning of the correlation between the spatial
conditions (i.e. non-stationary maps) and the realizations implicitly without
using additional loss terms or solving a costly optimization problem at the
realization generation phase. Our models, trained on real and artificial
datasets were able to generate geologically-plausible realizations beyond the
training samples with a strong correlation with the target maps.
- Abstract（参考訳）: 観測データに基づく地質相の生成の文脈では、すべての可能な条件に対応するサンプルはトレーニングセットでは一般に利用できないため、これらの実現は訓練された生成モデルの一般化能力に大きく依存する。
この問題は非定常場に適用するとより複雑になる。
本研究では,非定常的な空間モードを持つ地質学的チャネル化パターンのデータセットに対してGAN(Generative Adversarial Networks)モデルをトレーニングする際の問題点を考察し,与えられたトレーニングセットにない新しい空間モードにおける一般化能力を改善するための訓練と自己条件設定を検討する。
本手法は,空間条件(非定常写像)と実現条件の相関関係を,追加の損失項を使わずに効果的に学習し,実現段階においてコストのかかる最適化問題を解くことを可能にした。
実データと人工データに基づいてトレーニングされた我々のモデルは、ターゲットマップと強い相関を持つトレーニングサンプルを超えて、地質学的に賞賛できる実現を生成できた。
関連論文リスト
- Distance-Preserving Spatial Representations in Genomic Data [0.0]
単一細胞遺伝子発現データの空間的コンテキストは、多くの下流解析において重要であるが、実際的および技術的制限のため、しばしばアクセスできない。
本稿では、提供された遺伝子発現データに関連する空間座標を再構成できる汎用表現学習・伝達学習フレームワークdp-VAEを提案する。
論文 参考訳（メタデータ） (2024-08-01T21:04:27Z) - Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。
因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
論文 参考訳（メタデータ） (2024-06-07T14:29:21Z) - Physics-Informed Diffusion Models [0.0]
本稿では,モデル学習中に生成されたサンプルに対して,基礎となる制約の拡散モデルに通知する枠組みを提案する。
提案手法は, 提案した制約付きサンプルのアライメントを改良し, 既存手法を著しく上回っている。
論文 参考訳（メタデータ） (2024-03-21T13:52:55Z) - A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
C$2$TSDという条件拡散フレームワークを導入する。
実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
論文 参考訳（メタデータ） (2024-02-18T11:59:04Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z) - Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
論文 参考訳（メタデータ） (2023-10-04T07:14:43Z) - Generating unrepresented proportions of geological facies using
Generative Adversarial Networks [0.0]
地質データセットにおける相の補間・補間におけるGAN(Generative Adversarial Networks)の能力について検討した。
具体的には、トレーニングセットに存在しない新しい比率に向けて、生成されたファシズムを駆動できる条件付きGANモデルを設計する。
両相・多重相の画像に対する数値実験は, 良好な地質学的整合性を示し, 対象条件と強い相関を示した。
論文 参考訳（メタデータ） (2022-03-17T22:38:45Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z) - 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) - Data-driven learning of robust nonlocal physics from high-fidelity
synthetic data [3.9181541460605116]
非局所モデルに対する主要な課題は、それらを第一原理から導き出す解析的複雑さであり、しばしばそれらの使用は後続法として正当化される。
本研究では、データから非局所モデルを取り出し、これらの課題を回避し、結果のモデルフォームに対するデータ駆動的正当化を提供する。
論文 参考訳（メタデータ） (2020-05-17T22:53:14Z) - Domain segmentation and adjustment for generalized zero-shot learning [22.933463036413624]
ゼロショット学習では、見えないデータを生成モデルで合成することは、見えないクラスと見えないクラスのトレーニングデータの不均衡に対処する最も一般的な方法である。
未確認データの合成は、トレーニングデータの不均衡に起因する領域シフトに対処するための理想的なアプローチではないと我々は主張する。
本稿では,異なる領域における一般化されたゼロショット認識を実現することを提案する。
論文 参考訳（メタデータ） (2020-02-01T15:00:56Z)
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。