論文の概要: Neural Embedding: Learning the Embedding of Manifold of Physics Data

• arxiv url: http://arxiv.org/abs/2208.05484v1
• Date: Wed, 10 Aug 2022 18:00:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-12 13:47:13.919771
• Title: Neural Embedding: Learning the Embedding of Manifold of Physics Data
• Title（参考訳）: 神経埋め込み:物理データの多様体の埋め込みを学ぶ
• Authors: Sang Eon Park, Philip Harris, Bryan Ostdiek
• Abstract要約: 多くのアプリケーションのデータ分析パイプラインにおいて、これは強力なステップになり得ることを示す。 我々は,コライダー物理におけるモデル探索アルゴリズムの真の探索能力を定量化するための有効なソリューションを初めて提供する。
• 参考スコア（独自算出の注目度）: 5.516715115797386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a method of embedding physics data manifolds with metric structure into lower dimensional spaces with simpler metrics, such as Euclidean and Hyperbolic spaces. We then demonstrate that it can be a powerful step in the data analysis pipeline for many applications. Using progressively more realistic simulated collisions at the Large Hadron Collider, we show that this embedding approach learns the underlying latent structure. With the notion of volume in Euclidean spaces, we provide for the first time a viable solution to quantifying the true search capability of model agnostic search algorithms in collider physics (i.e. anomaly detection). Finally, we discuss how the ideas presented in this paper can be employed to solve many practical challenges that require the extraction of physically meaningful representations from information in complex high dimensional datasets.
• Abstract（参考訳）: 本稿では,測度構造を持つ物理データ多様体をユークリッド空間や双曲空間のような単純な測度を持つ低次元空間に埋め込む方法を提案する。 そして、多くのアプリケーションでデータ分析パイプラインの強力なステップになり得ることを実証します。 大型ハドロン衝突型加速器におけるより現実的な模擬衝突を用いて,この埋め込み手法が潜在構造を学習することを示す。 ユークリッド空間における体積の概念により、コライダー物理学におけるモデル非依存探索アルゴリズムの真の探索能力(すなわち異常検出)を定量化するための有効な解を初めて提供する。 最後に、複雑な高次元データセットの情報から物理的に意味のある表現を抽出する必要がある多くの課題を解決するために、本稿で提示されたアイデアをどのように活用できるかについて議論する。

関連論文リスト

• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• Higher-order topological kernels via quantum computation [68.8204255655161]
  トポロジカルデータ分析(TDA)は、複雑なデータから意味のある洞察を抽出する強力なツールとして登場した。 本稿では,ベッチ曲線の次数増加に基づくBettiカーネルの量子的定義法を提案する。
  論文  参考訳（メタデータ） (2023-07-14T14:48:52Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
  本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。 我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
  論文  参考訳（メタデータ） (2022-06-30T11:39:12Z)
• Fiberwise dimensionality reduction of topologically complex data with vector bundles [0.0]
  本稿では,ベクトルバンドルを用いてトポロジ的に複雑なデータセットをモデル化する。 基底空間は大規模位相であり、ファイバーは局所幾何学である。 これにより、大規模なトポロジーを保ちながら繊維の寸法を小さくすることができる。
  論文  参考訳（メタデータ） (2022-06-13T22:53:46Z)
• Calibrating constitutive models with full-field data via physics informed neural networks [0.0]
  実フィールド変位データに基づくモデルパラメータ化の発見のための物理インフォームド深層学習フレームワークを提案する。 我々は、ニューラルネットワークの予測に物理的な制約を課すために、強い形式ではなく、支配方程式の弱い形式で作業する。 我々は、インフォメーション機械学習が実現可能な技術であり、モデルのキャリブレーションにフルフィールド実験データをどのように利用するかというパラダイムを変える可能性があることを実証した。
  論文  参考訳（メタデータ） (2022-03-30T18:07:44Z)
• Physics-informed deep-learning applications to experimental fluid mechanics [2.992602379681373]
  低分解能および雑音測定による流れ場データの高分解能再構成は実験流体力学において重要である。 ディープラーニングのアプローチは、このような超高解像度なタスクに適していることが示されている。 本研究では,物理インフォームドニューラルネットワーク(PINN)を時間空間における流れ場データの超解像に適用する。
  論文  参考訳（メタデータ） (2022-03-29T09:58:30Z)
• Scalable approach to many-body localization via quantum data [69.3939291118954]
  多体局在は、量子多体物理学の非常に難しい現象である。 計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。 我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
  論文  参考訳（メタデータ） (2022-02-17T19:00:09Z)
• Manifold embedding data-driven mechanics [0.0]
  本稿では、可逆ニューラルネットワークによって生成された多様体の埋め込みを利用する、新しいデータ駆動型アプローチを紹介する。 深層ニューラルネットワークを訓練して、多様体から低次元ユークリッドベクトル空間にデータをグローバルにマッピングする。
  論文  参考訳（メタデータ） (2021-12-18T04:38:32Z)
• DeepPhysics: a physics aware deep learning framework for real-time simulation [0.0]
  データ駆動手法を用いて超弾性材料をシミュレートする手法を提案する。 ニューラルネットワークは、境界条件と結果の変位場との間の非線形関係を学習するために訓練される。 その結果, 限られたデータ量でトレーニングしたネットワークアーキテクチャは, 1ミリ秒未満で変位場を予測できることがわかった。
  論文  参考訳（メタデータ） (2021-09-17T12:15:47Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)

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。