論文の概要: Deep learning for diffusion in porous media

• arxiv url: http://arxiv.org/abs/2304.02104v1
• Date: Tue, 4 Apr 2023 20:17:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-06 14:16:57.165743
• Title: Deep learning for diffusion in porous media
• Title（参考訳）: 多孔質媒体における拡散の深層学習
• Authors: Krzysztof M. Graczyk, Dawid Strzelczyk, Maciej Matyka
• Abstract要約: 我々は多孔質媒体の基本特性を予測するために畳み込みニューラルネットワーク(CNN)を採用している。 最初のタスクでは、C-NetとU-Netのエンコーダ部という2種類のCNNモデルを提案する。 例えば、砂岩のようなサンプルで訓練されたモデルは、生物のようなサンプルで完全に機能する。
• 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: We adopt convolutional neural networks (CNN) to predict the basic properties of the porous media. Two different media types are considered: one mimics the sandstone, and the other mimics the systems derived from the extracellular space of biological tissues. The Lattice Boltzmann Method is used to obtain the labeled data necessary for performing supervised learning. We distinguish two tasks. In the first, networks based on the analysis of the system's geometry predict porosity and effective diffusion coefficient. In the second, networks reconstruct the system's geometry and concentration map. In the first task, we propose two types of CNN models: the C-Net and the encoder part of the U-Net. Both networks are modified by adding a self-normalization module. The models predict with reasonable accuracy but only within the data type, they are trained on. For instance, the model trained on sandstone-like samples overshoots or undershoots for biological-like samples. In the second task, we propose the usage of the U-Net architecture. It accurately reconstructs the concentration fields. Moreover, the network trained on one data type works well for the other. For instance, the model trained on sandstone-like samples works perfectly on biological-like samples.
• Abstract（参考訳）: 我々は,多孔質媒体の基本特性を予測するために畳み込みニューラルネットワーク(cnn)を採用する。 2つの異なるメディアタイプが考慮されている: 1つは砂岩を模倣し、もう1つは生体組織の細胞外空間に由来するシステムを模倣する。 格子ボルツマン法は教師あり学習に必要なラベル付きデータを得るために用いられる。 私たちは2つのタスクを区別する。 第一に,システムの幾何解析に基づくネットワークは,ポロシティと有効拡散係数を予測する。 第二に、ネットワークはシステムの幾何と濃度マップを再構築する。 最初のタスクでは、C-NetとU-Netのエンコーダ部という2種類のCNNモデルを提案する。 どちらのネットワークも自己正規化モジュールを追加することで修正される。 モデルは合理的な正確さで予測されるが、トレーニング対象のデータタイプ内のみである。 例えば、砂岩のようなサンプルのオーバーシュートや生物学的なサンプルのアンダーシュートで訓練されたモデルです。 第2のタスクでは、u-netアーキテクチャの利用を提案する。 濃度場を正確に再構築する。 さらに、あるデータタイプでトレーニングされたネットワークは、他方でうまく機能する。 例えば、砂岩のようなサンプルで訓練されたモデルは、生物のようなサンプルで完全に動作する。

関連論文リスト

• DeNetDM: Debiasing by Network Depth Modulation [6.550893772143]
  本稿では,ネットワーク深度変調を用いた新しいデバイアス法DeNetDMを提案する。 本手法では,バイアスアノテーションや明示的なデータ拡張は必要とせず,いずれかあるいは両方を必要とするアプローチと同等に実行する。 DeNetDMは、合成データセットと実世界のデータセットの両方において、既存のデバイアス手法を5%上回っていることを実証する。
  論文  参考訳（メタデータ） (2024-03-28T22:17:19Z)
• BEND: Bagging Deep Learning Training Based on Efficient Neural Network Diffusion [56.9358325168226]
  BEND(Efficient Neural Network Diffusion)に基づくバッグング深層学習学習アルゴリズムを提案する。 我々のアプローチは単純だが効果的であり、まず複数のトレーニングされたモデルの重みとバイアスを入力として、オートエンコーダと潜伏拡散モデルを訓練する。 提案したBENDアルゴリズムは,元のトレーニングモデルと拡散モデルの両方の平均および中央値の精度を一貫して向上させることができる。
  論文  参考訳（メタデータ） (2024-03-23T08:40:38Z)
• Sampling weights of deep neural networks [1.2370077627846041]
  完全に接続されたニューラルネットワークの重みとバイアスに対して,効率的なサンプリングアルゴリズムと組み合わせた確率分布を導入する。 教師付き学習環境では、内部ネットワークパラメータの反復最適化や勾配計算は不要である。 サンプルネットワークが普遍近似器であることを証明する。
  論文  参考訳（メタデータ） (2023-06-29T10:13:36Z)
• OCD: Learning to Overfit with Conditional Diffusion Models [95.1828574518325]
  入力サンプルxに重みを条件付けした動的モデルを提案する。 基本モデルを x とそのラベル y 上で微調整することで得られる重みに一致することを学習する。
  論文  参考訳（メタデータ） (2022-10-02T09:42:47Z)
• An Empirical Investigation of Model-to-Model Distribution Shifts in Trained Convolutional Filters [2.0305676256390934]
  本稿では,様々なコンピュータビジョンタスクに使用される画像データの分布変化について検討した結果について述べる。 元のトレーニングデータやテストデータを解析する代わりに、訓練されたモデルの学習重量の変化を研究することを提案する。
  論文  参考訳（メタデータ） (2022-01-20T21:48:12Z)
• Reasoning-Modulated Representations [85.08205744191078]
  タスクが純粋に不透明でないような共通的な環境について研究する。 我々のアプローチは、新しいデータ効率表現学習の道を開く。
  論文  参考訳（メタデータ） (2021-07-19T13:57:13Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Classification of fNIRS Data Under Uncertainty: A Bayesian Neural Network Approach [0.15229257192293197]
  オープンアクセスデータセット上でバイナリ分類を行うために,ベイズニューラルネットワーク(bnn)を使用する。 私たちのモデルは、ボランティア30人に対して86.44%の全体的な分類精度を作り出した。
  論文  参考訳（メタデータ） (2021-01-18T15:43:59Z)
• MOCCA: Multi-Layer One-Class ClassificAtion for Anomaly Detection [16.914663209964697]
  我々は,Multi-Layer One-Class Classification (MOCCA) と呼ばれる異常検出問題に対するディープラーニングアプローチを提案する。 異なる深さで抽出された情報を利用して異常なデータインスタンスを検出することで、ディープニューラルネットワークのピースワイズ的性質を明示的に活用します。 本稿では,本手法が文献で利用可能な最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-09T08:32:56Z)
• Category-Learning with Context-Augmented Autoencoder [63.05016513788047]
  実世界のデータの解釈可能な非冗長表現を見つけることは、機械学習の鍵となる問題の一つである。 本稿では,オートエンコーダのトレーニングにデータ拡張を利用する新しい手法を提案する。 このような方法で変分オートエンコーダを訓練し、補助ネットワークによって変換結果を予測できるようにする。
  論文  参考訳（メタデータ） (2020-10-10T14:04:44Z)
• Generalized ODIN: Detecting Out-of-distribution Image without Learning from Out-of-distribution Data [87.61504710345528]
  我々は,OoD検出性能を改善しつつ,ニューラルネットワークをOoDデータのチューニングから解放する2つの方法を提案する。 具体的には、信頼性スコアリングと修正された入力前処理法を分離することを提案する。 大規模画像データセットのさらなる解析により、セマンティックシフトと非セマンティックシフトの2種類の分布シフトが有意な差を示すことが示された。
  論文  参考訳（メタデータ） (2020-02-26T04:18:25Z)

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。