論文の概要: Data-driven synchronization-avoiding algorithms in the explicit
distributed structural analysis of soft tissue
- arxiv url: http://arxiv.org/abs/2207.02194v1
- Date: Tue, 5 Jul 2022 17:52:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-06 15:49:47.357826
- Title: Data-driven synchronization-avoiding algorithms in the explicit
distributed structural analysis of soft tissue
- Title（参考訳）: ソフト組織の明示的分散構造解析におけるデータ駆動同期回避アルゴリズム
- Authors: Guoxiang Grayson Tong and Daniele E. Schiavazzi
- Abstract要約: 本研究では,軟組織の構造解析における明示的有限要素法の計算効率を向上させるためのデータ駆動型フレームワークを提案する。
明示的な分散有限要素ソルバによって生成されたデータに基づいて、エンコーダ・デコーダ長短期記憶深部ニューラルネットワークを訓練する。
- 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: We propose a data-driven framework to increase the computational efficiency
of the explicit finite element method in the structural analysis of soft
tissue. An encoder-decoder long short-term memory deep neural network is
trained based on the data produced by an explicit, distributed finite element
solver. We leverage this network to predict synchronized displacements at
shared nodes, minimizing the amount of communication between processors. We
perform extensive numerical experiments to quantify the accuracy and stability
of the proposed synchronization-avoiding algorithm.
- Abstract（参考訳）: 本研究では,軟組織の構造解析における明示的有限要素法の計算効率を向上させるためのデータ駆動型フレームワークを提案する。
明示的な分散有限要素ソルバによって生成されたデータに基づいて、エンコーダ・デコーダ長短期記憶深部ニューラルネットワークを訓練する。
このネットワークを利用して共有ノードの同期変位を予測し、プロセッサ間の通信量を最小化する。
提案した同期回避アルゴリズムの精度と安定性を定量化するための広範な数値実験を行う。
関連論文リスト
- Quantized Hierarchical Federated Learning: A Robust Approach to
Statistical Heterogeneity [3.8798345704175534]
本稿では,コミュニケーション効率に量子化を組み込んだ新しい階層型フェデレーション学習アルゴリズムを提案する。
最適性ギャップと収束率を評価するための包括的な分析フレームワークを提供する。
この結果から,本アルゴリズムはパラメータの範囲で常に高い学習精度を達成できることが判明した。
論文 参考訳（メタデータ） (2024-03-03T15:40:24Z) - Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。
提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文 参考訳（メタデータ） (2023-05-24T17:26:22Z) - Contraction-Guided Adaptive Partitioning for Reachability Analysis of
Neural Network Controlled Systems [5.359060261460183]
非線形フィードバックループにおける区間値到達可能集合の推定値を改善するための収縮誘導適応分割アルゴリズムを提案する。
ニューラルネットワーク検証ステップとリーチビリティパーティショニングレイヤの分離を活用することで、アルゴリズムは計算コストの少ない精度の向上を提供することができる。
本稿では,現状の手法と比較して,ランタイムのごく一部において,到達可能な集合推定の精度が大幅に向上したことを報告する。
論文 参考訳（メタデータ） (2023-04-07T14:43:21Z) - Research on Data Fusion Algorithm Based on Deep Learning in Target
Tracking [10.335589214502987]
長期記憶ネットワークに基づく視線追跡データ融合アルゴリズムを提案する。
実験の結果, 深層学習に基づく2つの融合アルゴリズムと比較して, 本論文では, 融合品質の点で良好に動作することがわかった。
論文 参考訳（メタデータ） (2022-11-23T08:44:59Z) - Asynchronous Bayesian Learning over a Network [18.448653247778143]
本稿では,ネットワーク化されたエージェントが生データを共有せずに分散ベイズ学習を行うための非同期データ融合モデルを提案する。
アルゴリズムは、ランダムに選択されたエージェントのペアがパラメータサンプリングのために調整されていないランゲヴィンダイナミクスを使用するゴシップベースのアプローチを用いる。
本稿では,ゴシップエージェント間の通信をさらに削減するイベントトリガー機構を提案する。
論文 参考訳（メタデータ） (2022-11-16T01:21:36Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-06T13:18:31Z) - Contextual Model Aggregation for Fast and Robust Federated Learning in
Edge Computing [88.76112371510999]
フェデレーション学習は、ネットワークエッジにおける分散機械学習の第一候補である。
既存のアルゴリズムは、性能の緩やかな収束や堅牢性の問題に直面している。
そこで本稿では,損失低減に対する最適コンテキスト依存境界を実現するためのコンテキストアグリゲーション手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T21:42:31Z) - A Sparse Structure Learning Algorithm for Bayesian Network
Identification from Discrete High-Dimensional Data [0.40611352512781856]
本稿では,高次元離散データから疎構造ベイズネットワークを学習する問題に対処する。
本稿では,空間特性とDAG特性を同時に満足するスコア関数を提案する。
具体的には,アルゴリズムを高次元データで効率的に動作させるため,最適化アルゴリズムに分散低減法を用いる。
論文 参考訳（メタデータ） (2021-08-21T12:21:01Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - A Constraint-Based Algorithm for the Structural Learning of
Continuous-Time Bayesian Networks [70.88503833248159]
連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。
我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
論文 参考訳（メタデータ） (2020-07-07T07:34:09Z) - Parallelization Techniques for Verifying Neural Networks [52.917845265248744]
検証問題に基づくアルゴリズムを反復的に導入し、2つの分割戦略を探索する。
また、ニューラルネットワークの検証問題を単純化するために、ニューロンアクティベーションフェーズを利用する、高度に並列化可能な前処理アルゴリズムも導入する。
論文 参考訳（メタデータ） (2020-04-17T20:21:47Z)
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。