論文の概要: Feature space exploration as an alternative for design space exploration
beyond the parametric space
- arxiv url: http://arxiv.org/abs/2301.11416v1
- Date: Thu, 26 Jan 2023 21:03:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-30 17:05:41.347917
- Title: Feature space exploration as an alternative for design space exploration
beyond the parametric space
- Title(参考訳): パラメトリック空間を超えた設計空間探索の代替としての特徴空間探索
- Authors: Tomas Cabezon Pedroso, Jinmo Rhee and Daragh Byrne
- Abstract要約: 本稿では,Deep Learning (DL) を用いた設計特徴抽出により生成された特徴空間とパラメトリック設計空間を比較した。
パラメトリック設計空間は、個々のパラメータの組み合わせに基づいているため、設計ソリューションを記述する方法が狭いことを実証する。
比較して,複雑なパラメータの関係に応じて,特徴設計空間が直感的に設計ソリューションを表現できることが観察された。
- 参考スコア(独自算出の注目度): 2.578242050187029
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper compares the parametric design space with a feature space
generated by the extraction of design features using deep learning (DL) as an
alternative way for design space exploration. In this comparison, the
parametric design space is constructed by creating a synthetic dataset of
15.000 elements using a parametric algorithm and reducing its dimensions for
visualization. The feature space - reduced-dimensionality vector space of
embedded data features - is constructed by training a DL model on the same
dataset. We analyze and compare the extracted design features by reducing their
dimension and visualizing the results. We demonstrate that parametric design
space is narrow in how it describes the design solutions because it is based on
the combination of individual parameters. In comparison, we observed that the
feature design space can intuitively represent design solutions according to
complex parameter relationships. Based on our results, we discuss the potential
of translating the features learned by DL models to provide a mechanism for
intuitive design exploration space and visualization of possible design
solutions.
- Abstract(参考訳): 本稿では,設計空間探索の代替手段として,Deep Learning (DL) を用いた設計特徴抽出によって生成された特徴空間とパラメトリック設計空間を比較した。
この比較において、パラメトリック設計空間は、パラメトリックアルゴリズムを用いて15万要素の合成データセットを作成し、その次元を可視化する。
同じデータセット上でDLモデルをトレーニングすることで,特徴空間 – 埋め込みデータ特徴の次元の縮小ベクトル空間 – が構築される。
抽出した設計特徴を分析し,その寸法を縮小し,その結果を可視化することで比較する。
パラメトリックな設計空間は、個々のパラメータの組み合わせに基づくため、設計ソリューションの記述方法において狭くなっていることを実証する。
比較して,機能設計空間は複雑なパラメータ関係に従って直感的に設計解を表現できることがわかった。
本稿では,dlモデルによって学習された特徴を翻訳し,直感的な設計探索空間のメカニズムと可能な設計ソリューションの可視化を行う可能性について考察する。
関連論文リスト
- Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳(メタデータ) (2024-01-24T01:33:39Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳(メタデータ) (2022-11-29T17:28:31Z) - Disentangling Variational Autoencoders [0.0]
変分オートエンコーダ(VAE)は、高次元データの入力セットを低次元の潜在空間に投影する。
文献から3つの異なるVAEモデルを実装し、6万枚の手書き数字のデータセットでそれらをトレーニングする。
本稿では,復号化画像の品質と遅延空間の歪みレベルとのトレードオフについて検討する。
論文 参考訳(メタデータ) (2022-11-14T19:22:41Z) - UnProjection: Leveraging Inverse-Projections for Visual Analytics of
High-Dimensional Data [63.74032987144699]
提案するNNInvは,プロジェクションやマッピングの逆を近似する深層学習技術である。
NNInvは、2次元投影空間上の任意の点から高次元データを再構成することを学び、ユーザーは視覚分析システムで学習した高次元表現と対話することができる。
論文 参考訳(メタデータ) (2021-11-02T17:11:57Z) - Designing Complex Experiments by Applying Unsupervised Machine Learning [0.0]
本稿では、複雑な実験の実用的設計を支援するための教師なし機械学習の適用について論じる。
ベータ変分オートエンコーダ (beta-VAE) が適用され、最初の完全因子設計の試行を表現している。
論文 参考訳(メタデータ) (2021-09-29T21:23:58Z) - AIRCHITECT: Learning Custom Architecture Design and Mapping Space [2.498907460918493]
我々は機械学習モデルをトレーニングし、カスタムアーキテクチャの設計とマッピング空間の最適パラメータを予測する。
最適設計およびマッピングパラメータの予測を「一般化」するために,設計空間を捕捉し,モデルを訓練することは可能であることを示す。
私たちはAIRCHITECTと呼ばれるカスタムネットワークアーキテクチャをトレーニングし、94.3%のテスト精度でアーキテクチャ設計空間を学習することができる。
論文 参考訳(メタデータ) (2021-08-16T05:05:52Z) - Weakly But Deeply Supervised Occlusion-Reasoned Parametric Layouts [87.370534321618]
複雑な道路シーンのRGBイメージをインプットとして単一の視点で捉えたエンドツーエンドのネットワークを提案し、パースペクティブ空間における閉塞性のあるレイアウトを創出する。
私たちのメソッドで必要とされる唯一の人間のアノテーションは、より安価で入手しにくいパラメトリック属性です。
私たちは、KITTIとNuScenesという2つの公開データセットのアプローチを検証し、人間の監督を大幅に低下させることで、最先端の結果を実現します。
論文 参考訳(メタデータ) (2021-04-14T09:32:29Z) - Switch Spaces: Learning Product Spaces with Sparse Gating [48.591045282317424]
製品空間における表現を学習するためのデータ駆動アプローチであるswitch spacesを提案する。
我々は空間の選択、結合、切り替えを学習するスパースゲーティング機構を導入する。
知識グラフの補完と項目レコメンデーションの実験により,提案したスイッチ空間が新たな最先端性能を実現することを示す。
論文 参考訳(メタデータ) (2021-02-17T11:06:59Z) - METASET: Exploring Shape and Property Spaces for Data-Driven
Metamaterials Design [20.272835126269374]
より小さいが多様な単細胞が、スケーラブルな検索と非バイアス学習につながることを示す。
我々のフレキシブルな方法は、採用される計量によらず、ユニークな部分集合を蒸留することができる。
私たちの多様なサブセットは、デザイナが使用するために公開されています。
論文 参考訳(メタデータ) (2020-06-01T03:36:37Z)
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。