Fugu-MT 論文翻訳(概要): Physics-guided deep learning for data scarcity

論文の概要: Physics-guided deep learning for data scarcity

arxiv url: http://arxiv.org/abs/2211.15664v1
Date: Thu, 24 Nov 2022 01:03:21 GMT
ステータス: 処理完了
システム内更新日: 2022-12-04 14:16:58.599003
Title: Physics-guided deep learning for data scarcity
Title（参考訳）: データ不足に対する物理誘導深層学習
Authors: Jinshuai Bai, Laith Alzubaidi, Qingxia Wang, Ellen Kuhl, Mohammed Bennamoun, Yuantong Gu
Abstract要約: 物理誘導ディープラーニング(英: Physics-guided Deep Learning, PGDL)は、ニューラルネットワークのトレーニングに物理法則を統合する新しいタイプのDLである。力学、ファイナンス、医療応用などの物理法則によって制御され、管理されるあらゆるシステムに使用することができる。本稿では、PGDLの詳細を解明し、様々なアプリケーションにおけるデータ不足に関するPGDLの構造化概要について述べる。
参考スコア（独自算出の注目度）: 23.885971319823547
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Data are the core of deep learning (DL), and the quality of data significantly affects the performance of DL models. However, high-quality and well-annotated databases are hard or even impossible to acquire for use in many applications, such as structural risk estimation and medical diagnosis, which is an essential barrier that blocks the applications of DL in real life. Physics-guided deep learning (PGDL) is a novel type of DL that can integrate physics laws to train neural networks. It can be used for any systems that are controlled or governed by physics laws, such as mechanics, finance and medical applications. It has been shown that, with the additional information provided by physics laws, PGDL achieves great accuracy and generalisation when facing data scarcity. In this review, the details of PGDL are elucidated, and a structured overview of PGDL with respect to data scarcity in various applications is presented, including physics, engineering and medical applications. Moreover, the limitations and opportunities for current PGDL in terms of data scarcity are identified, and the future outlook for PGDL is discussed in depth.
Abstract（参考訳）: データはディープラーニング(DL)の中核であり、データの質はDLモデルの性能に大きく影響する。しかし, 構造的リスク推定や診断など, DLの現実的な利用を阻害する重要な障壁となる多くのアプリケーションにおいて, 高品質で良質なデータベースを入手することは困難あるいは不可能である。物理誘導ディープラーニング(PGDL)は、ニューラルネットワークのトレーニングに物理法則を統合する新しいタイプのDLである。力学、ファイナンス、医療応用などの物理法則によって制御され、管理されるあらゆるシステムに使用することができる。物理法則によって提供される追加情報により、PGDLはデータ不足に直面した際の精度と一般化を実現することが示されている。本稿では, PGDLの詳細を明らかにし, 物理, 工学, 医学など, 様々な応用におけるデータ不足に関するPGDLの構造的概要について述べる。また、データ不足の観点から現在のPGDLの限界と機会を特定し、PGDLの将来展望を深く論じる。

関連論文リスト

Science-Informed Deep Learning (ScIDL) With Applications to Wireless Communications [11.472232944923558]
本稿では,ScIDL(Science-informed Deep Learning)に関するチュートリアルを紹介する。 ScIDLは、既存の科学知識をDL技術と統合し、より強力なアルゴリズムを開発することを目的としている。我々は、ScidLの最近の応用と、無線通信分野における今後の研究方向性について論じる。
論文参考訳（メタデータ） (2024-06-29T02:35:39Z)
PTPI-DL-ROMs: pre-trained physics-informed deep learning-based reduced order models for nonlinear parametrized PDEs [0.6827423171182154]
本稿では,物理インフォームメントによるPOD-DL-ROMの大幅な拡張について考察する。まず,POD-DL-ROMをトランクネットアーキテクチャで補完し,空間領域内の各点における問題の解を計算する能力を付与する。特に、利用可能な数少ないデータを活用して、低コストの事前学習手順を開発する。
論文参考訳（メタデータ） (2024-05-14T12:46:12Z)
Serving Deep Learning Model in Relational Databases [70.53282490832189]
リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。 UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
論文参考訳（メタデータ） (2023-10-07T06:01:35Z)
HDDL 2.1: Towards Defining a Formalism and a Semantics for Temporal HTN Planning [64.07762708909846]
現実世界のアプリケーションは、リッチで多様な自動計画問題をモデル化する必要があります。階層的タスクネットワーク(HTN)形式は、数値的および時間的制約を伴う計画問題の表現を許さない。本稿では,HDDLとこれらの運用ニーズのギャップを埋めるとともに,PDDL 2.1からインスピレーションを得てHDDLを拡張することを提案する。
論文参考訳（メタデータ） (2023-06-12T18:21:23Z)
Using Gradient to Boost the Generalization Performance of Deep Learning Models for Fluid Dynamics [0.0]
本稿では,Deep Learningの一般化能力を高めるための新しい研究について述べる。我々の戦略は、DLネットワークのより良い一般化に向けた良い結果を示している。
論文参考訳（メタデータ） (2022-10-09T10:20:09Z)
PID-GAN: A GAN Framework based on a Physics-informed Discriminator for Uncertainty Quantification with Physics [2.4309139330334846]
科学的応用においては、物理の知識を持つ深層学習モデルを学習して、物理的に一貫した一般化された解を生成することが重要である。本稿では,PID-GANと呼ばれる新しい物理インフォーム型GANアーキテクチャを提案する。提案するPID-GANフレームワークは,複数損失項からのジェネレータ勾配の不均衡に悩まされないことを示す。
論文参考訳（メタデータ） (2021-06-06T00:12:57Z)
Model-Constrained Deep Learning Approaches for Inverse Problems [0.0]
ディープラーニング(DL)は純粋にデータ駆動であり、物理を必要としない。元の形式におけるDL法は、基礎となる数学的モデルを尊重することができない。一般非線形問題に対する定式化の直観を提示する。
論文参考訳（メタデータ） (2021-05-25T16:12:39Z)
CogDL: A Comprehensive Library for Graph Deep Learning [55.694091294633054]
研究者や実践者が実験を行い、メソッドを比較し、簡単かつ効率的にアプリケーションを構築することができるグラフ深層学習ライブラリであるCogDLを紹介します。 CogDLでは,様々なグラフタスクに対するGNNモデルのトレーニングと評価のための統一設計を提案し,既存のグラフ学習ライブラリに固有のものである。我々はCogDLのための効率的なスパース演算子を開発し、効率性のための最も競争力のあるグラフライブラリとなる。
論文参考訳（メタデータ） (2021-03-01T12:35:16Z)
GaNDLF: A Generally Nuanced Deep Learning Framework for Scalable End-to-End Clinical Workflows in Medical Imaging [76.38169390121057]
コミュニティ主導型汎用ディープラーニングフレームワークGaNDLF(Generally Nuanced Deep Learning Framework)について紹介する。 GaNDLFは、DL開発、トレーニング、推論のメカニズムをより安定させ、再現可能で、解釈可能で、スケーラブルにする。放射線画像と病理画像の両方をGaNDLFで解析し,k-foldクロスバリデーションをサポートした。
論文参考訳（メタデータ） (2021-02-26T02:24:52Z)
A Survey of Deep Active Learning [54.376820959917005]
アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。ディープラーニング(Deep Active Learning, DAL)が誕生した。
論文参考訳（メタデータ） (2020-08-30T04:28:31Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。