論文の概要: Generative Adversarial Networks to infer velocity components in rotating turbulent flows

• arxiv url: http://arxiv.org/abs/2301.07541v1
• Date: Wed, 18 Jan 2023 13:59:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-29 14:09:28.249176
• Title: Generative Adversarial Networks to infer velocity components in rotating turbulent flows
• Title（参考訳）: 回転乱流における速度成分推定のための生成逆ネットワーク
• Authors: Tianyi Li, Michele Buzzicotti, Luca Biferale and Fabio Bonaccorso
• Abstract要約: CNNとGANは、ポイントワイドと統計的再構成の両方でEPODを常に上回ります。 解析は、予測と地上真実の間のL2空間距離に基づく標準検証ツールの両方を用いて行われる。
• 参考スコア（独自算出の注目度）: 6.695045642641268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inference problems for two-dimensional snapshots of rotating turbulent flows are studied. We perform a systematic quantitative benchmark of point-wise and statistical reconstruction capabilities of the linear Extended Proper Orthogonal Decomposition (EPOD) method, a non-linear Convolutional Neural Network (CNN) and a Generative Adversarial Network (GAN). We attack the important task of inferring one velocity component out of the measurement of a second one, and two cases are studied: (I) both components lay in the plane orthogonal to the rotation axis and (II) one of the two is parallel to the rotation axis. We show that EPOD method works well only for the former case where both components are strongly correlated, while CNN and GAN always outperform EPOD both concerning point-wise and statistical reconstructions. For case (II), when the input and output data are weakly correlated, all methods fail to reconstruct faithfully the point-wise information. In this case, only GAN is able to reconstruct the field in a statistical sense. The analysis is performed using both standard validation tools based on L2 spatial distance between the prediction and the ground truth and more sophisticated multi-scale analysis using wavelet decomposition. Statistical validation is based on standard Jensen-Shannon divergence between the probability density functions, spectral properties and multi-scale flatness.
• Abstract（参考訳）: 回転乱流の二次元スナップショットに対する推定問題について検討した。 本稿では,線形拡張固有直交分解法 (epod) 法, 非線形畳み込みニューラルネットワーク (cnn) および生成逆ネットワーク法 (gan) の, 点的および統計的再構成能力の系統的定量的評価を行う。 2つ目の測定から1つの速度成分を推定する重要なタスクを攻撃し、 (I) 両方の成分が回転軸に直交する平面に配置され、 (II) そのうちの1つは回転軸に平行である2つのケースについて検討した。 EPOD法は両者の相関関係が強い前例にのみ有効であり,CNNとGANはポイントワイドと統計的再構成の両方においてEPOD法よりも優れていた。 例えば(II)、入力と出力データの相関が弱い場合には、すべてのメソッドがポイントワイズ情報を忠実に再構築することができない。 この場合、統計的な意味では、GANのみがフィールドを再構築することができる。 予測と基底真理の間のl2空間距離に基づく標準検証ツールとウェーブレット分解を用いたより洗練されたマルチスケール解析の両方を用いて解析を行った。 統計的検証は、確率密度関数、スペクトル特性、多スケール平坦性の間の標準jensen-shannon発散に基づいている。

関連論文リスト

• Latent Schrodinger Bridge: Prompting Latent Diffusion for Fast Unpaired Image-to-Image Translation [58.19676004192321]
  ノイズからの画像生成とデータからの逆変換の両方を可能にする拡散モデル (DM) は、強力な未ペア画像対イメージ(I2I)翻訳アルゴリズムにインスピレーションを与えている。 我々は、最小輸送コストの分布間の微分方程式(SDE)であるSchrodinger Bridges (SBs) を用いてこの問題に取り組む。 この観測に触発されて,SB ODE を予め訓練した安定拡散により近似する潜在シュロディンガー橋 (LSB) を提案する。 提案アルゴリズムは,従来のDMのコストをわずかに抑えながら,教師なし環境での競合的I2I翻訳を実現していることを示す。
  論文  参考訳（メタデータ） (2024-11-22T11:24:14Z)
• Straightness of Rectified Flow: A Theoretical Insight into Wasserstein Convergence [54.580605276017096]
  拡散モデルは画像生成とデノナイズのための強力なツールとして登場した。 最近、Liuらは新しい代替生成モデル Rectified Flow (RF) を設計した。 RFは,一連の凸最適化問題を用いて,ノイズからデータへの直流軌跡の学習を目的としている。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Efficient Bayesian inference using physics-informed invertible neural networks for inverse problems [6.97393424359704]
  物理インフォームド・インバータブルニューラルネットワーク(PI-INN)を利用したベイズ逆問題に対する革新的なアプローチを提案する。 PI-INNはベイズ逆問題に対して正確かつ効率的な生成モデルを提供し、抽出可能な後部密度推定をもたらす。 特定の物理インフォームドディープラーニングモデルとして、PI-INNの主要なトレーニング課題は独立性制約の強化である。
  論文  参考訳（メタデータ） (2023-04-25T03:17:54Z)
• Multi-scale data reconstruction of turbulent rotating flows with Gappy POD, Extended POD and Generative Adversarial Networks [2.0722840259036546]
  本研究では, 回転する乱流スナップショットを空間的損傷(塗装)で再構成するために, 線形および非線形ツールを用いた。 統計的特性と瞬時速度場の両方を正確に再現することに注力する。 意外なことに、ポイントワイド再構成に関して、非線形GANは線形POD技術よりも優れていない。
  論文  参考訳（メタデータ） (2022-10-21T12:44:39Z)
• Error-Correcting Neural Networks for Two-Dimensional Curvature Computation in the Level-Set Method [0.0]
  本稿では,2次元曲率をレベルセット法で近似するための誤差ニューラルモデルに基づく手法を提案する。 我々の主な貢献は、需要に応じて機械学習操作を可能にする数値スキームに依存する、再設計されたハイブリッド・ソルバである。
  論文  参考訳（メタデータ） (2022-01-22T05:14:40Z)
• Post-Regularization Confidence Bands for Ordinary Differential Equations [6.3582148777824115]
  我々は、未知の機能とノイズの多いデータ観測を備えたODEにおける個々の規制機能に対する信頼バンドを構築した。 構築された信頼バンドはカーネルのカバレッジ確率が所望であることを示し、回復した規制ネットワークは1つに傾向のある真理に近づいた。
  論文  参考訳（メタデータ） (2021-10-24T19:21:10Z)
• Temporal Action Localization with Variance-Aware Networks [12.364819165688628]
  本研究は,VAN(Variance-Aware Networks)を用いた時間的行動ローカライゼーションの問題に対処する。 VANpはネットワーク全体の平均と分散を伝搬し、2次統計値で出力を提供するネットワークである。 その結果、VANpは、他の2段階ネットワークのほぼ全ての精度を、追加のパラメータを含まないまま上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-08-25T20:12:59Z)
• Semiparametric Nonlinear Bipartite Graph Representation Learning with Provable Guarantees [106.91654068632882]
  半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。 提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。 我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
  論文  参考訳（メタデータ） (2020-03-02T16:40:36Z)

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。