論文の概要: MetaNOR: A Meta-Learnt Nonlocal Operator Regression Approach for
Metamaterial Modeling
- arxiv url: http://arxiv.org/abs/2206.02040v1
- Date: Sat, 4 Jun 2022 18:27:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-07 15:25:05.402480
- Title: MetaNOR: A Meta-Learnt Nonlocal Operator Regression Approach for
Metamaterial Modeling
- Title(参考訳): MetaNOR:メタマテリアルモデリングのためのメタラーレント非局所演算子回帰アプローチ
- Authors: Lu Zhang, Huaiqian You, Yue Yu
- Abstract要約: 非局所演算子回帰に基づく移動学習演算子のためのメタ学習手法であるMetaNORを提案する。
全体的な目標は、新しい未知の教材学習タスクのサロゲートモデルを効率的に提供することである。
- 参考スコア(独自算出の注目度): 9.728866368825072
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose MetaNOR, a meta-learnt approach for transfer-learning operators
based on the nonlocal operator regression. The overall goal is to efficiently
provide surrogate models for new and unknown material-learning tasks with
different microstructures. The algorithm consists of two phases: (1) learning a
common nonlocal kernel representation from existing tasks; (2) transferring the
learned knowledge and rapidly learning surrogate operators for unseen tasks
with a different material, where only a few test samples are required. We apply
MetaNOR to model the wave propagation within 1D metamaterials, showing
substantial improvements on the sampling efficiency for new materials.
- Abstract(参考訳): 非局所演算子回帰に基づく移動学習演算子のためのメタ学習手法であるMetaNORを提案する。
全体的な目標は、新しい未知の物質学習タスクを、異なるミクロ構造で効率的にサロゲートモデルを提供することである。
このアルゴリズムは,(1)既存のタスクから共通非局所カーネル表現を学習すること,(2)学習知識を伝達すること,(2)未知のタスクのサロゲート演算子を異なる材料で高速に学習すること,という2つのフェーズから構成される。
1次元メタマテリアル内の波動伝播のモデル化にmetanorを応用し,新しい材料のサンプリング効率を大幅に改善した。
関連論文リスト
- Unsupervised Representation Learning to Aid Semi-Supervised Meta
Learning [16.534014215010757]
トレーニングサンプルの潜在表現を学習するために,一発の教師なしメタラーニングを提案する。
メタラーニングの内ループでは、温度スケールのクロスエントロピー損失を使用し、オーバーフィッティングを防止する。
提案手法はモデル非依存であり, どんなメタ学習モデルでも精度を向上させることができる。
論文 参考訳(メタデータ) (2023-10-19T18:25:22Z) - Meta-Learning with Self-Improving Momentum Target [72.98879709228981]
メタラーナーの性能を向上させるために,SiMT(Self-improving Momentum Target)を提案する。
SiMTはメタラーナーの時間アンサンブルから適応してターゲットモデルを生成する。
我々は、SiMTが幅広いメタ学習手法と組み合わせることで、大きなパフォーマンス向上をもたらすことを示す。
論文 参考訳(メタデータ) (2022-10-11T06:45:15Z) - Gradient-Based Meta-Learning Using Uncertainty to Weigh Loss for
Few-Shot Learning [5.691930884128995]
Model-Agnostic Meta-Learning (MAML)は、数発の学習において最も成功したメタラーニング手法の1つである。
タスク固有の学習者に対して,タスクの損失を最小限に抑えるパラメータの選択を適応的に学習する手法を提案する。
メソッド1はメタロス差を比較して重みを生成し、クラスが少ない場合の精度を向上させる。
方法2は、各タスクの相補的不確実性を導入し、元の勾配降下に基づいて複数の損失を重み付けする。
論文 参考訳(メタデータ) (2022-08-17T08:11:51Z) - Energy-Efficient and Federated Meta-Learning via Projected Stochastic
Gradient Ascent [79.58680275615752]
エネルギー効率のよいメタラーニングフレームワークを提案する。
各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
論文 参考訳(メタデータ) (2021-05-31T08:15:44Z) - Meta-Learning with Neural Tangent Kernels [58.06951624702086]
メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。
このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。
本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
論文 参考訳(メタデータ) (2021-02-07T20:53:23Z) - Meta-Reinforcement Learning Robust to Distributional Shift via Model
Identification and Experience Relabeling [126.69933134648541]
本稿では,テスト時にアウト・オブ・ディストリビューション・タスクに直面した場合に,効率よく外挿できるメタ強化学習アルゴリズムを提案する。
我々の手法は単純な洞察に基づいており、動的モデルが非政治データに効率的かつ一貫して適応可能であることを認識している。
論文 参考訳(メタデータ) (2020-06-12T13:34:46Z) - Provable Meta-Learning of Linear Representations [114.656572506859]
我々は、複数の関連するタスクから共通の機能の集合を学習し、その知識を新しい未知のタスクに転送する、という2つの課題に対処する、高速でサンプル効率のアルゴリズムを提供する。
また、これらの線形特徴を学習する際のサンプルの複雑さに関する情報理論の下限も提供する。
論文 参考訳(メタデータ) (2020-02-26T18:21:34Z) - Incremental Meta-Learning via Indirect Discriminant Alignment [118.61152684795178]
メタ学習のメタ学習段階において,段階的な学習の概念を発達させる。
我々のアプローチは、完全なメタトレーニングセットでモデルをトレーニングするのと比べて、テスト時に好適に機能する。
論文 参考訳(メタデータ) (2020-02-11T01:39:12Z)
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。