論文の概要: Physics-informed Variational Autoencoders for Improved Robustness to Environmental Factors of Variation

• arxiv url: http://arxiv.org/abs/2210.10418v5
• Date: Wed, 26 Feb 2025 14:08:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 15:24:45.863566
• Title: Physics-informed Variational Autoencoders for Improved Robustness to Environmental Factors of Variation
• Title（参考訳）: 物理インフォームド変分オートエンコーダによる環境要因のロバスト性向上
• Authors: Romain Thoreau, Laurent Risser, Véronique Achard, Béatrice Berthelot, Xavier Briottet,
• Abstract要約: p$3$VAEは、データ取得条件に関連する変動の潜在要因に関する事前の物理的知識を統合する変分自動エンコーダである。 本稿では,機械学習部と物理部のバランスをとる半教師付き学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.6384650391969042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The combination of machine learning models with physical models is a recent research path to learn robust data representations. In this paper, we introduce p$^3$VAE, a variational autoencoder that integrates prior physical knowledge about the latent factors of variation that are related to the data acquisition conditions. p$^3$VAE combines standard neural network layers with non-trainable physics layers in order to partially ground the latent space to physical variables. We introduce a semi-supervised learning algorithm that strikes a balance between the machine learning part and the physics part. Experiments on simulated and real data sets demonstrate the benefits of our framework against competing physics-informed and conventional machine learning models, in terms of extrapolation capabilities and interpretability. In particular, we show that p$^3$VAE naturally has interesting disentanglement capabilities. Our code and data have been made publicly available at https://github.com/Romain3Ch216/p3VAE.
• Abstract（参考訳）: 機械学習モデルと物理モデルの組み合わせは、ロバストなデータ表現を学ぶための最近の研究パスである。 本稿では,データ取得条件に関連する変動要因に関する事前の物理的知識を統合する変分自動エンコーダであるp$^3$VAEを紹介する。 p$3$VAEは、標準のニューラルネットワーク層と非トレーニング可能な物理層を組み合わせて、潜在空間を物理変数に部分的に接地する。 本稿では,機械学習部と物理部のバランスをとる半教師付き学習アルゴリズムを提案する。 シミュレーションおよび実データを用いた実験は、外挿能力と解釈可能性の観点から、競合する物理情報や従来の機械学習モデルに対して、我々のフレームワークの利点を実証するものである。 特に、p$^3$VAE は自然に興味深い絡み合いを持つことを示す。 私たちのコードとデータはhttps://github.com/Romain3Ch216/p3VAEで公開されています。

関連論文リスト

• A Physics-guided Multimodal Transformer Path to Weather and Climate Sciences [59.05404971880922]
  気象学における多くの問題は、AIモデルを使って解決できる。 データ駆動アルゴリズムは従来の手法に比べて精度が大幅に向上した。 本稿では,異なる視点からの観測データをマルチモーダルデータとして扱い,変換器を介して統合する新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-04-19T04:31:35Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• STORM: Efficient Stochastic Transformer based World Models for Reinforcement Learning [82.03481509373037]
  近年,モデルに基づく強化学習アルゴリズムは視覚入力環境において顕著な有効性を示している。 本稿では,強力なモデリングと生成機能を組み合わせた効率的な世界モデルアーキテクチャであるTransformer-based wORld Model (STORM)を紹介する。 Stormは、Atari 100$kベンチマークで平均126.7%の人的パフォーマンスを達成し、最先端のメソッドの中で新しい記録を樹立した。
  論文  参考訳（メタデータ） (2023-10-14T16:42:02Z)
• Representer Point Selection for Explaining Regularized High-dimensional Models [105.75758452952357]
  本稿では,高次元表現器と呼ぶサンプルベース説明のクラスを紹介する。 私たちのワークホースは、一般化された高次元モデルに対する新しい代表者定理である。 提案手法の実証的性能について,実世界の2進分類データセットと2つの推薦システムデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2023-05-31T16:23:58Z)
• Learning Lagrangian Fluid Mechanics with E($3$)-Equivariant Graph Neural Networks [2.1401663582288144]
  同変グラフニューラルネットワークは、より正確な動的相互作用モデルを学ぶことができる。 本研究では, テイラー・グリーン渦の3次元崩壊とポアゼイユ流の3次元逆流の2つのよく研究された流れ系をベンチマークした。 現在、トレーニングと評価がかなり遅いが、提案した履歴埋め込みの同変モデルは、より正確な物理的相互作用を学習する。
  論文  参考訳（メタデータ） (2023-05-24T22:26:38Z)
• Variational Autoencoding Neural Operators [17.812064311297117]
  関数型データによる教師なし学習は、コンピュータビジョン、気候モデリング、物理システムへの応用を含む機械学習研究の新たなパラダイムである。 本稿では,大規模な演算子学習アーキテクチャを変分オートエンコーダとして機能させる汎用戦略として,変分オートエンコードニューラル演算子(VANO)を提案する。
  論文  参考訳（メタデータ） (2023-02-20T22:34:43Z)
• Hyper-Representations as Generative Models: Sampling Unseen Neural Network Weights [2.9678808525128813]
  我々は、新しいモデルウェイトをサンプリングするために、生成的使用のためのハイパー表現を拡張した。 以上の結果から, モデル動物園からハイパー表現による新しいモデルへの知識集約の可能性が示唆された。
  論文  参考訳（メタデータ） (2022-09-29T12:53:58Z)
• Hyper-Representations for Pre-Training and Transfer Learning [2.9678808525128813]
  我々は、生成的使用のためのハイパー表現を拡張して、事前学習として新しいモデルウェイトをサンプリングする。 以上の結果から, モデル動物園からハイパー表現による新しいモデルへの知識集約の可能性が示唆された。
  論文  参考訳（メタデータ） (2022-07-22T09:01:21Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Hybrid modeling of the human cardiovascular system using NeuralFMUs [0.0]
  ハイブリッドなモデリングプロセスは、より快適で、システム知識を必要とせず、第一原理に基づくモデリングに比べてエラーの少ないことが示される。 結果として得られたハイブリッドモデルは、純粋な第一原理のホワイトボックスモデルに比べて計算性能が向上した。 考慮されたユースケースは、医療領域内外における他のモデリングおよびシミュレーションアプリケーションの例として機能する。
  論文  参考訳（メタデータ） (2021-09-10T13:48:43Z)
• KNODE-MPC: A Knowledge-based Data-driven Predictive Control Framework for Aerial Robots [5.897728689802829]
  我々は、知識に基づくニューラル常微分方程式(KNODE)というディープラーニングツールを用いて、第一原理から得られたモデルを拡張する。 得られたハイブリッドモデルは、名目上の第一原理モデルと、シミュレーションまたは実世界の実験データから学習したニューラルネットワークの両方を含む。 閉ループ性能を改善するため、ハイブリッドモデルはKNODE-MPCとして知られる新しいMPCフレームワークに統合される。
  論文  参考訳（メタデータ） (2021-09-10T12:09:18Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Design of Dynamic Experiments for Black-Box Model Discrimination [72.2414939419588]
  選択したいような動的モデル判別の設定を考えてみましょう。 (i) 最高のメカニスティックな時間変化モデルと (ii) 最高のモデルパラメータ推定値です。 勾配情報にアクセス可能な競合する力学モデルに対しては、既存の手法を拡張し、より広い範囲の問題の不確実性を組み込む。 これらのブラックボックスモデルをガウス過程サロゲートモデルに置き換えることで、モデル識別設定を拡張して、競合するブラックボックスモデルをさらに取り入れる。
  論文  参考訳（メタデータ） (2021-02-07T11:34:39Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)
• Living in the Physics and Machine Learning Interplay for Earth Observation [7.669855697331746]
  推論は変数の関係を理解し、物理的に解釈可能なモデルを導出することを意味する。 機械学習モデルだけでも優れた近似器であるが、物理学の最も基本的な法則を尊重しないことが多い。 これは、地球系の知識を発見できるアルゴリズムを開発し、適用するための、長期的なAIの集合的なアジェンダである。
  論文  参考訳（メタデータ） (2020-10-18T16:58:20Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)
• A machine learning based plasticity model using proper orthogonal decomposition [0.0]
  データ駆動の物質モデルは、古典的な数値的アプローチよりも多くの利点がある。 データ駆動型マテリアルモデルを開発する1つのアプローチは、機械学習ツールを使用することである。 弾性と塑性の両面において,機械学習に基づく材料モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-07T15:46:16Z)

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。