論文の概要: Breaking the Symmetry: Resolving Symmetry Ambiguities in Equivariant Neural Networks

• arxiv url: http://arxiv.org/abs/2210.16646v1
• Date: Sat, 29 Oct 2022 16:28:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 17:25:29.184457
• Title: Breaking the Symmetry: Resolving Symmetry Ambiguities in Equivariant Neural Networks
• Title（参考訳）: 対称性を破る:同変ニューラルネットワークにおける対称性の曖昧さの解消
• Authors: Sidhika Balachandar, Adrien Poulenard, Congyue Deng, Leonidas Guibas
• Abstract要約: OAVNN: Orientation Aware Vector Neuron Network, a extension of the Vector Neuron Network。 OAVNNは平面対称入力に対して堅牢な回転同変ネットワークである。
• 参考スコア（独自算出の注目度）: 4.147346416230272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Equivariant networks have been adopted in many 3-D learning areas. Here we identify a fundamental limitation of these networks: their ambiguity to symmetries. Equivariant networks cannot complete symmetry-dependent tasks like segmenting a left-right symmetric object into its left and right sides. We tackle this problem by adding components that resolve symmetry ambiguities while preserving rotational equivariance. We present OAVNN: Orientation Aware Vector Neuron Network, an extension of the Vector Neuron Network. OAVNN is a rotation equivariant network that is robust to planar symmetric inputs. Our network consists of three key components. 1) We introduce an algorithm to calculate symmetry detecting features. 2) We create a symmetry-sensitive orientation aware linear layer. 3) We construct an attention mechanism that relates directional information across points. We evaluate the network using left-right segmentation and find that the network quickly obtains accurate segmentations. We hope this work motivates investigations on the expressivity of equivariant networks on symmetric objects.
• Abstract（参考訳）: 等変ネットワークは多くの3次元学習領域で採用されている。 ここでは、これらのネットワークの基本的な制限、対称性に対するあいまいさを特定する。 等変ネットワークは左右対称対象を左右に分割するような対称性に依存したタスクを完遂することはできない。 回転同分散を保ちながら対称性の曖昧さを解消する成分を追加することでこの問題に取り組む。 本稿では,向き認識型ベクトルニューロンネットワークであるoavnnについて述べる。 OAVNNは平面対称入力に対して堅牢な回転同変ネットワークである。 私たちのネットワークは3つのキーコンポーネントで構成されています。 1) 対称性検出特性を計算するアルゴリズムを提案する。 2) 対称性に敏感な配向認識線形層を作成する。 3) ポイント間の方向情報を関連付ける注意機構を構築する。 左右のセグメンテーションを用いてネットワークを評価し,ネットワークが素早く正確なセグメンテーションを得ることを示す。 この研究は、対称オブジェクト上の同変ネットワークの表現性に関する調査を動機付けることを願っている。

関連論文リスト

• Relaxed Equivariant Graph Neural Networks [16.98061967654925]
  3次元ユークリッド対称性同変ニューラルネットワークは複雑な物理系のモデリングにおいて顕著な成功を収めた。 連続群における対称性の破れを学習し,表現できる,緩和された$E(3)$グラフ同変ニューラルネットワークの枠組みを導入する。
  論文  参考訳（メタデータ） (2024-07-30T00:16:50Z)
• The Empirical Impact of Neural Parameter Symmetries, or Lack Thereof [50.49582712378289]
  ニューラル・ネットワーク・アーキテクチャの導入により,ニューラル・パラメータ・対称性の影響について検討する。 我々は,パラメータ空間対称性を低減するために,標準的なニューラルネットワークを改良する2つの手法を開発した。 実験により,パラメータ対称性の経験的影響に関する興味深い観察がいくつか示された。
  論文  参考訳（メタデータ） (2024-05-30T16:32:31Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Using and Abusing Equivariance [10.70891251559827]
  群同変畳み込みニューラルネットワークは, サブサンプリングを用いて, 対称性に等しくなることを学習する。 ネットワークの入力次元を1ピクセル程度に変化させることで、一般的に使われているアーキテクチャが正確には同値ではなく、ほぼ同値となるのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-08-22T09:49:26Z)
• Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras from First Principles [55.41644538483948]
  ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。 完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。 また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
  論文  参考訳（メタデータ） (2023-01-13T16:25:25Z)
• Integrating Symmetry into Differentiable Planning with Steerable Convolutions [5.916280909373456]
  等変畳み込みネットワークによって動機付けられた経路計画問題を,グリッド上のテキスト信号として扱う。 この場合の値反復は線型同変作用素であり、これは(ステアブルな)畳み込みであることを示す。 我々の実装はVINに基づいており、対称性を取り入れるためにステアブル畳み込みネットワークを使用している。
  論文  参考訳（メタデータ） (2022-06-08T04:58:48Z)
• Handling Object Symmetries in CNN-based Pose Estimation [7.1577508803778045]
  畳み込みニューラルネットワーク(CNN)に基づくポーズ推定器が対称オブジェクトを持つ問題について検討する。 特に、対称性を意識した損失を生成するための一般的なミニ・オーバー・対称性のアプローチは、勾配に基づく最適化ではうまくいかない傾向にある。 これらの知見から「閉対称性ループ」(csl)と呼ばれる表現を提案し、関連するベクトルの角度を対称性の順序に乗じて6-DOFに一般化する。
  論文  参考訳（メタデータ） (2020-11-26T10:10:25Z)
• Deep Positional and Relational Feature Learning for Rotation-Invariant Point Cloud Analysis [107.9979381402172]
  点雲解析のための回転不変深層ネットワークを提案する。 ネットワークは階層的であり、位置的特徴埋め込みブロックと関係的特徴埋め込みブロックという2つのモジュールに依存している。 実験では、ベンチマークデータセット上で最先端の分類とセグメンテーション性能を示す。
  論文  参考訳（メタデータ） (2020-11-18T04:16:51Z)
• MDP Homomorphic Networks: Group Symmetries in Reinforcement Learning [90.20563679417567]
  本稿では,深層強化学習のためのMDP準同型ネットワークを提案する。 MDP準同型ネットワーク(英: MDP homomorphic network)は、MDPの結合状態-作用空間における対称性の下で不変なニューラルネットワークである。 このようなネットワークは,グリッドワールドであるCartPoleとPongの非構造化ネットワークよりも高速に収束することを示す。
  論文  参考訳（メタデータ） (2020-06-30T15:38:37Z)
• Detecting Symmetries with Neural Networks [0.0]
  ニューラルネットワークの埋め込み層における構造を広範囲に活用する。 我々は、対称性が存在するかどうかを特定し、入力中の対称性の軌道を特定する。 この例では、グラフの観点で新しいデータ表現を示す。
  論文  参考訳（メタデータ） (2020-03-30T17:58:24Z)
• On Learning Sets of Symmetric Elements [63.12061960528641]
  本稿では、一般的な対称要素の集合を学習するための原則的アプローチを提案する。 まず、元の再順序化と元の固有対称性の両方に不変な線型層の空間を特徴づける。 さらに、これらの層からなるネットワークは、DSS(Deep Sets for Symmetric Elements)層と呼ばれ、不変関数と同変関数の両方の普遍近似器であることを示す。
  論文  参考訳（メタデータ） (2020-02-20T07:29:20Z)

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。