論文の概要: Physics-enhanced Gaussian Process Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2305.09006v1
• Date: Mon, 15 May 2023 20:41:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 17:11:00.823520
• Title: Physics-enhanced Gaussian Process Variational Autoencoder
• Title（参考訳）: 物理学強化ガウス過程変分オートエンコーダ
• Authors: Thomas Beckers, Qirui Wu, George J. Pappas
• Abstract要約: 変分オートエンコーダは、高次元の入出力データに基づいて低次元の潜在空間を学習することができる。 そこで本研究では,物理学的に拡張された変分オートエンコーダを提案し,物理的に拡張されたガウス過程を潜時力学に先立って配置する。 提案手法の利点は振動粒子を用いたシミュレーションで強調される。
• 参考スコア（独自算出の注目度）: 21.222154875601984
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Variational autoencoders allow to learn a lower-dimensional latent space based on high-dimensional input/output data. Using video clips as input data, the encoder may be used to describe the movement of an object in the video without ground truth data (unsupervised learning). Even though the object's dynamics is typically based on first principles, this prior knowledge is mostly ignored in the existing literature. Thus, we propose a physics-enhanced variational autoencoder that places a physical-enhanced Gaussian process prior on the latent dynamics to improve the efficiency of the variational autoencoder and to allow physically correct predictions. The physical prior knowledge expressed as linear dynamical system is here reflected by the Green's function and included in the kernel function of the Gaussian process. The benefits of the proposed approach are highlighted in a simulation with an oscillating particle.
• Abstract（参考訳）: 変分オートエンコーダは、高次元の入出力データに基づいて低次元の潜在空間を学習できる。 ビデオクリップを入力データとして使用すると、エンコーダは、真理データ(教師なし学習)なしでビデオ内のオブジェクトの移動を記述するのに使うことができる。 オブジェクトのダイナミクスは一般的に第一原理に基づいているが、この以前の知識は既存の文献では無視されている。 そこで本研究では,潜在力学に先立って物理エンハンスされたガウス過程を配置する物理エンハンス型変分オートエンコーダを提案し,変分オートエンコーダの効率を改善し,物理的に正しい予測を可能にする。 線形力学系として表される物理的事前知識はグリーン関数に反映され、ガウス過程の核関数に含まれる。 提案手法の利点は振動粒子を用いたシミュレーションで強調される。

関連論文リスト

• Interpretable Representation Learning from Videos using Nonlinear Priors [15.779730667509915]
  本稿では,ビデオの非線形先行を指定可能なディープラーニングフレームワークを提案する。 我々は、単純な等方的ガウスから任意の非線形時間付加雑音モデル(ANM)に先立って変分オートエンコーダ(VAE)を拡張することでこれを実現している。 本手法は, 振り子, スプリング上の質量, 落下物, パルサーなどの実世界の物理映像で検証した。
  論文  参考訳（メタデータ） (2024-10-24T08:39:24Z)
• Neural Material Adaptor for Visual Grounding of Intrinsic Dynamics [48.99021224773799]
  本稿では,既存の物理法則を学習的補正と統合するニューラルネットワーク (NeuMA) を提案する。 また,粒子駆動型3次元ガウス平滑化モデルであるParticle-GSを提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:43:36Z)
• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
  本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。 単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。 我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
  論文  参考訳（メタデータ） (2024-06-18T16:37:44Z)
• Neural Categorical Priors for Physics-Based Character Control [12.731392285646614]
  運動の質と多様性を大幅に改善した物理に基づく文字制御のための新しい学習フレームワークを提案する。 提案手法は強化学習(RL)を用いて,非構造的なモーションクリップからのライフライクな動きを追跡し,模倣する。 本研究は,人型文字を用いた総合実験により,下流域の難易度の高い2つの課題,剣のシールドと2人のプレーヤーによるボクシングゲームについて検討する。
  論文  参考訳（メタデータ） (2023-08-14T15:10:29Z)
• On the Integration of Physics-Based Machine Learning with Hierarchical Bayesian Modeling Techniques [0.0]
  本稿では,ガウス過程(GP)モデルの平均関数にメカニクスに基づくモデルを組み込み,カーネルマシンによる潜在的な不一致を特徴付けることを提案する。 カーネル関数の定常性は、階層的ベイズ手法によって解決された長いデータセットの逐次処理において難しいハードルである。 数値および実験例を用いて, 構造力学逆問題に対する提案手法の可能性を示した。
  論文  参考訳（メタデータ） (2023-03-01T02:29:41Z)
• The dynamics of representation learning in shallow, non-linear autoencoders [3.1219977244201056]
  非線形浅層オートエンコーダにおける特徴学習のダイナミクスについて検討する。 長時間のダイナミクスの分析では、シグモダルオートエンコーダが重みで学習できないことが説明されている。 本研究では,現実的なデータセット上での非線形オートエンコーダの一般化ダイナミクスを正確に記述する。
  論文  参考訳（メタデータ） (2022-01-06T15:57:31Z)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
  ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。 形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
  論文  参考訳（メタデータ） (2020-06-17T05:14:53Z)
• Fast Modeling and Understanding Fluid Dynamics Systems with Encoder-Decoder Networks [0.0]
  本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。 従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。 深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T17:14:08Z)

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。