論文の概要: Multiscale Graph Neural Network Autoencoders for Interpretable
Scientific Machine Learning
- arxiv url: http://arxiv.org/abs/2302.06186v1
- Date: Mon, 13 Feb 2023 08:47:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 16:15:34.984546
- Title: Multiscale Graph Neural Network Autoencoders for Interpretable
Scientific Machine Learning
- Title(参考訳): 解釈可能な科学機械学習のためのマルチスケールグラフニューラルネットワークオートエンコーダ
- Authors: Shivam Barwey, Varun Shankar, Romit Maulik
- Abstract要約: この研究の目的は、オートエンコーダベースのモデルにおいて、潜在空間解釈可能性と非構造化メッシュとの互換性という2つの制限に対処することである。
これは、複雑な流体流れのアプリケーションのデモを含む、新しいグラフニューラルネットワーク(GNN)自動エンコーディングアーキテクチャの開発によって達成される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The goal of this work is to address two limitations in autoencoder-based
models: latent space interpretability and compatibility with unstructured
meshes. This is accomplished here with the development of a novel graph neural
network (GNN) autoencoding architecture with demonstrations on complex fluid
flow applications. To address the first goal of interpretability, the GNN
autoencoder achieves reduction in the number nodes in the encoding stage
through an adaptive graph reduction procedure. This reduction procedure
essentially amounts to flowfield-conditioned node sampling and sensor
identification, and produces interpretable latent graph representations
tailored to the flowfield reconstruction task in the form of so-called masked
fields. These masked fields allow the user to (a) visualize where in physical
space a given latent graph is active, and (b) interpret the time-evolution of
the latent graph connectivity in accordance with the time-evolution of unsteady
flow features (e.g. recirculation zones, shear layers) in the domain. To
address the goal of unstructured mesh compatibility, the autoencoding
architecture utilizes a series of multi-scale message passing (MMP) layers,
each of which models information exchange among node neighborhoods at various
lengthscales. The MMP layer, which augments standard single-scale message
passing with learnable coarsening operations, allows the decoder to more
efficiently reconstruct the flowfield from the identified regions in the masked
fields. Analysis of latent graphs produced by the autoencoder for various model
settings are conducted using using unstructured snapshot data sourced from
large-eddy simulations in a backward-facing step (BFS) flow configuration with
an OpenFOAM-based flow solver at high Reynolds numbers.
- Abstract(参考訳): この研究の目的は、オートエンコーダベースのモデルの2つの制限、潜在空間解釈可能性と非構造化メッシュとの互換性に対処することである。
これは、複雑な流体流れのアプリケーションのデモを含む、新しいグラフニューラルネットワーク(GNN)自動エンコーディングアーキテクチャの開発によって達成される。
解釈可能性の第1の目標に対処するため、gnnオートエンコーダは適応グラフ削減手順により符号化ステージにおける数ノードの削減を実現する。
この削減手法は基本的に、フローフィールド条件付きノードサンプリングとセンサ識別に相当し、フローフィールド再構成タスクに適した解釈可能な潜在グラフ表現を、いわゆるマスクフィールドの形で生成する。
これらのマスクされたフィールドは
(a)ある潜在グラフが活発な物理空間のどこにあるかを視覚化し、
b) 領域内の非定常流れの特徴(再循環ゾーン、せん断層など)の時間的変化に応じて、潜在グラフ接続の時間的変化を解釈する。
非構造化メッシュ互換性の目標に対処するために、オートエンコーディングアーキテクチャは、様々な長さスケールでノード近傍間で情報交換をモデル化する一連のマルチスケールメッセージパッシング(MMP)層を利用する。
学習可能な粗い操作で標準の単一スケールメッセージパッシングを拡張するMMP層は、デコーダにより、マスクされたフィールド内の特定領域からのフローフィールドをより効率的に再構築することができる。
高レイノルズ数でのOpenFOAMフローソルバを用いた逆向きステップ(BFS)フロー構成において,大規模シミュレーションから得られた非構造化スナップショットデータを用いて,種々のモデル設定のためのオートエンコーダによって生成された潜時グラフの解析を行った。
関連論文リスト
- UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。
まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。
次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
論文 参考訳(メタデータ) (2024-02-12T19:39:26Z) - Interpretable Fine-Tuning for Graph Neural Network Surrogate Models [0.0]
本研究は,グラフニューラルネットワーク(GNN)の解釈可能な微調整戦略を導入する。
最終結果は、予測タスクに本質的に関連付けられている部分グラフに対応する物理空間内の領域を分離する強化された微調整モデルである。
正規化手順により、微調整されたGNNを使用して、予測予測エラーの大多数に対応するグラフノードを推論時に特定することもできる。
論文 参考訳(メタデータ) (2023-11-13T18:37:07Z) - Identification of vortex in unstructured mesh with graph neural networks [0.0]
本稿では,非構造化メッシュ上でのCFD結果の渦を特定するために,U-Netアーキテクチャを用いたグラフニューラルネットワーク(GNN)に基づくモデルを提案する。
2次元CFDメッシュにおける渦領域をラベル付けするための渦自動ラベル法を提案する。
論文 参考訳(メタデータ) (2023-11-11T12:10:16Z) - BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。
我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。
BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2023-10-26T17:03:14Z) - Network Alignment with Transferable Graph Autoencoders [87.28177782039265]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。
生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。
提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文 参考訳(メタデータ) (2023-10-05T02:58:29Z) - A Graph Encoder-Decoder Network for Unsupervised Anomaly Detection [7.070726553564701]
グラフから異常ノードを検出するための教師なしグラフエンコーダデコーダモデルを提案する。
符号化段階では、クラスタ割り当て行列を見つけるためにLCPoolと呼ばれる新しいプール機構を設計する。
復号段階ではLCUnpoolと呼ばれるアンプール演算を提案し,元のグラフの構造と結節の特徴を再構築する。
論文 参考訳(メタデータ) (2023-08-15T13:49:12Z) - From NeurODEs to AutoencODEs: a mean-field control framework for
width-varying Neural Networks [68.8204255655161]
本稿では,動的に駆動する制御フィールドをベースとした,AutoencODEと呼ばれる新しいタイプの連続時間制御システムを提案する。
損失関数が局所凸な領域では,多くのアーキテクチャが復元可能であることを示す。
論文 参考訳(メタデータ) (2023-07-05T13:26:17Z) - Re-Think and Re-Design Graph Neural Networks in Spaces of Continuous
Graph Diffusion Functionals [7.6435511285856865]
グラフニューラルネットワーク(GNN)は、ソーシャルネットワークや生体システムのようなドメインで広く使われている。
GNNのローカリティ仮定は、グラフ内の長距離依存関係とグローバルパターンをキャプチャする能力を損なう。
本稿では,ブラヒクロニスト問題から着想を得た変分解析に基づく新しい帰納バイアスを提案する。
論文 参考訳(メタデータ) (2023-07-01T04:44:43Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-20T14:41:37Z) - Learnable Filters for Geometric Scattering Modules [64.03877398967282]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳(メタデータ) (2022-08-15T22:30:07Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳(メタデータ) (2020-10-06T01:20:27Z)
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。